【Python55--爬虫：代理】

一、反爬虫之隐藏

1、网站检查访问的是正常用户还是程序，关键在于User-Agent

1）、第一种方法：采用header

  --修改header(两种方法):

　　-->  在Request之前通过headers参数修改

　　-->  在Request之后通过Request.add_header()修改

import urllib.request
import urllib.parse
import json
import random
import time
import hashlib

#用户输入翻译的内容
content = input('请输入需要翻译的内容：')
#连接url地址
url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

#第一种方法：
#head = {}
#head['User-Agent']='Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'

#发送给服务器请求的数据
data = {}
#此部分数据来源于：FromData
data['i']= content
data['from']= 'AUTO'
data['to']= 'AUTO'
data['smartresult']= 'dict'
data['client']= 'fanyideskweb'
data['salt']= '15439012305959'
data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'
data['ts']= '1543901230595'
data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'
data['doctype']= 'json'
data['version']= '2.1'
data['keyfrom']= 'fanyi.web'
data['action']= 'FY_BY_CLICKBUTTION'
data['typoResult']= 'false'

#对数据进行编码处理
data = urllib.parse.urlencode(data).encode('utf-8')
#创建一个request对象，把url和data传进去，并且使用POS请求
request = urllib.request.Request(url = url,data=data,method='POST')

#第二种方法：
request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')

#打开请求
reponsend =urllib.request.urlopen(request)
#读取返回来的数据
html = reponsend.read().decode('utf-8')
#把返回来的json字符串解析成字典
line = json.loads(html)
#print(line)
#获取翻译结果
print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))

2）、要想爬取很多内容，修改header就达不到这种效果了，就需要采用代理

　　--  两种方法：

　　　-->  time.sleep() 方法  (效率低)

　　　-->  使用代理

#time.sleep()方法
import urllib.request
import urllib.parse
import json
import random
import time
import hashlib

while True:

    #用户输入翻译的内容
    content = input('请输入需要翻译的内容(输入q!退出程序)：')
    if content=='q!':
        break
    #连接url地址
    url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

    #发送给服务器请求的数据
    data = {}
    #此部分数据来源于：FromData
    data['i']= content
    data['from']= 'AUTO'
    data['to']= 'AUTO'
    data['smartresult']= 'dict'
    data['client']= 'fanyideskweb'
    data['salt']= '15439012305959'
    data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'
    data['ts']= '1543901230595'
    data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'
    data['doctype']= 'json'
    data['version']= '2.1'
    data['keyfrom']= 'fanyi.web'
    data['action']= 'FY_BY_CLICKBUTTION'
    data['typoResult']= 'false'

    #对数据进行编码处理
    data = urllib.parse.urlencode(data).encode('utf-8')
    #创建一个request对象，把url和data传进去，并且使用POS请求
    request = urllib.request.Request(url = url,data=data,method='POST')

    #打开请求
    reponsend =urllib.request.urlopen(request)
    #读取返回来的数据
    html = reponsend.read().decode('utf-8')
    #把返回来的json字符串解析成字典
    line = json.loads(html)
    #print(line)
    #获取翻译结果
    print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))
    time.sleep(3)

执行结果：
请输入需要翻译的内容(输入q!退出程序)：爱国
翻译的结果：patriotic
请输入需要翻译的内容(输入q!退出程序)：乘法
翻译的结果：The multiplication
请输入需要翻译的内容(输入q!退出程序)：q!
>>> 

 -->代理步骤：

1、参数是一个字典{'类型':'代理IP：端口号'}

proxy_support = urllib.request.ProxyHandler({})

2、定制、创建一个opener

opener = urllib.request.build_opener(proxy_support)

3a、安装opener

urllib.request.install_opener(opener)

3b、调用opener

opener.open(url)

import urllib.request
import random

#此网址显示当前IP的所在地址
url = 'http://www.whatismyip.com.tw'

iplist=['123.139.56.238:9999','163.125.158.250:8888','113.200.214.164:9999','111.11.98.58:9000','221.178.176.25:3128']

proxy_support = urllib.request.ProxyHandler({'http':random.choice(iplist)})

opener = urllib.request.build_opener(proxy_support)
opener.addheaders=[('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')]

urllib.request.install_opener(opener)

response=urllib.request.urlopen(url)

html = response.read().decode('utf-8')

print(html)

二、动手题

1、编写一个爬虫，爬百度百科“网络爬虫”的词条，（连接： http://baike.baidu.com/view/284853.htm），将所有包含“view”的连接按下边格式打印出来：

'''
|-- 代码解析思路：
|-- 1、通过bs4的BeautifulSoup来获取html的源代码
|-- 2、从源代码中找到包含"view"的href链接
|-- 3、把获取出来的连接打印出来
'''

import urllib.request
import re
from bs4 import BeautifulSoup
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

def main():
    url = 'http://baike.baidu.com/view/284853.htm'
    response = urllib.request.urlopen(url)
    html = response.read()

    #采用BeautifulSoup来获取html源代码
    soup = BeautifulSoup(html,'html.parser') #使用python默认的解析器

    #源代码中找到包含view的href地址
    #正则表达式（re.compile之后的对象）
    for each in soup.find_all(href = re.compile("view")):
        print("=======
",each)
        #join():拼接字符串，元组，列表中的元素
        #os.path.join():将多个路径组合后返回
        context = ''.join([each.text])
        url2 = ''.join(["http://baike.baidu.com",each["href"]])
        print(context,"-->",url2)

        # print(each.text,"-->",''.join(["http://baike.baidu.com",each["href"]]))

if __name__ == "__main__":
    main()

'''
=======
 <a href="/wikicategory/view?categoryName=恐龙大全" target="_blank">恐龙百科</a>
恐龙百科 --> http://baike.baidu.com/wikicategory/view?categoryName=恐龙大全
=======
 <a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科</a>
多肉百科 --> http://baike.baidu.com/wikicategory/view?categoryName=多肉植物
=======
 <a class="lock-lemma" href="/view/10812319.htm" nslog-type="10003105" target="_blank" title="锁定"><em class="cmn-icon wiki-lemma-icons wiki-lemma-icons_lock-lemma"></em>锁定</a>
锁定 --> http://baike.baidu.com/view/10812319.htm

'''

知识扩展：

https://www.cnblogs.com/franknihao/p/6542460.html

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/index.html

2、直接打印词条名和连接不算什么本事，这题要求你的爬虫允许用户输入关键词，然后爬虫进入每一个词条，然后检索该词条是否具有副标题，如果有，请将副标题一块打印出来

# encoding:utf-8
import urllib.request
import urllib.parse
import re
from bs4 import BeautifulSoup
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

def main():
    keyword = input("请输入检索的词：")
    #把keyword转换成python识别的字符串
    #https://baike.baidu.com/search/word?word=%E8%83%A1%E6%AD%8C
    keyword = urllib.parse.urlencode({"word":keyword})

    #打开网页
    response = urllib.request.urlopen("https://baike.baidu.com/search/word?%s" %keyword)

    #获取网页输出
    html = response.read()

    #使用BeautifulSoup读取网页源代码
    soup = BeautifulSoup(html,"html.parser")

    #中文字符用于判断是否是中文
    zh_pattern = re.compile(u'[u4e00-u9fa5]+')

    #开始第二遍的遍历
    for each in soup.find_all(href = re.compile("view")):
        #find_all 代表全文搜索，find 只显示一条结果
        #href = re.compile("view") 如下例子：
        #<a target=_blank href=/view/5458338.htm>一念执着</a>
        #re.compile("view") 正则匹配有view关键字的链接
        #print("each--",each)

        #获取链接的标题
        #<a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科<>
        #context = 多肉百科
        context = ''.join([each.text])

        #如果标题为空，则终止本次循环
        if context == "":
            continue

        #拼接新的URL链接
        #（http://baike.baidu.com）+ (/wikicategory/view?categoryName=多肉植物)
        url2 =''.join(["http://baike.baidu.com",each["href"]])

        #出现一个问题，如果链接是完整的，然后在加上前缀就不对了
        #http: // baike.baidu.comhttp: // baike.baidu.com / view / 12878522.htm

        #如果url2中出现中文，就终止本次循环，因为编码不一样就会报错然后结束程序
        if zh_pattern.search(url2):
            continue

        # 打开网址如下:
        # http://baike.baidu.com/view/482616.htm
        # 然后获取网页内容
        response2 = urllib.request.urlopen(url2)
        html2 = response2.read()
        soup2 = BeautifulSoup(html2,"html.parser")

        #如果网页h2标签存在（即：副标题存在），则重新定义context
        if soup2.h2:
            context = ''.join([context,soup2.h2.text])
        context = ''.join([context,"-->",url2])
        #打印完整的内容：标题+副标题 --> url链接
        print(context)

if __name__ == "__main__":
    main()

'''
/usr/local/bin/python3.7 /Users/wufq/WebCrawler/wc/百度百科搜索.py
请输入检索的词：胡歌
岑参诗作（岑参诗作）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/18074325#viewPageContent
2011年孙凰发行二胡民乐（2011年孙凰发行二胡民乐）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/22240446#viewPageContent
锁定目录-->http://baike.baidu.com/view/10812319.htm
一念执着-->http://baike.baidu.com/view/5458338.htm
逍遥叹（胡歌演唱歌曲）-->http://baike.baidu.com/view/345628.htm
一吻天荒目录-->http://baike.baidu.com/view/8130305.htm
忘记时间-->http://baike.baidu.com/view/2492625.htm
六月的雨目录-->http://baike.baidu.com/view/34074.htm
光棍（单身人士称谓）-->http://baike.baidu.com/view/88402.htm
天亮以后-->http://baike.baidu.com/view/482616.htm
月光（胡彦斌演唱《秦时明月》系列片头曲）-->http://baike.baidu.com/view/18752.htm
乌云然目录-->http://baike.baidu.com/view/1639821.htm
敢不敢爱（胡歌演唱歌曲）-->http://baike.baidu.com/view/2894946.htm
高手（2005年潘玮柏音乐专辑）-->http://baike.baidu.com/view/91601.htm
我不做英雄目录-->http://baike.baidu.com/view/5930821.htm

Process finished with exit code 0

'''