Python之路【第十九篇】：爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

Requests

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

 

Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

1、GET请求

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

# 1、无参数实例   import requests   ret = requests.get('https://github.com/timeline.json')   print ret.url print ret.text       # 2、有参数实例   import requests   payload = {'key1': 'value1', 'key2': 'value2'} ret = requests.get("http://httpbin.org/get", params=payload)   print ret.url print ret.text

向 https://github.com/timeline.json 发送一个GET请求，将请求和响应相关均封装在 ret 对象中。

2、POST请求

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

# 1、基本POST实例   import requests   payload = {'key1': 'value1', 'key2': 'value2'} ret = requests.post("http://httpbin.org/post", data=payload)   print ret.text     # 2、发送请求头和数据实例   import requests import json   url = 'https://api.github.com/some/endpoint' payload = {'some': 'data'} headers = {'content-type': 'application/json'}   ret = requests.post(url, data=json.dumps(payload), headers=headers)   print ret.text print ret.cookies

向https://api.github.com/some/endpoint发送一个POST请求，将请求和相应相关的内容封装在 ret 对象中。

3、其他请求

1 2 3 4 5 6 7 8 9 10

requests.get(url, params=None, **kwargs) requests.post(url, data=None, json=None, **kwargs) requests.put(url, data=None, **kwargs) requests.head(url, **kwargs) requests.delete(url, **kwargs) requests.patch(url, data=None, **kwargs) requests.options(url, **kwargs)   # 以上方法均是在此方法的基础上构建 requests.request(method, url, **kwargs)

requests模块已经将常用的Http请求方法为用户封装完成，用户直接调用其提供的相应方法即可，其中方法的所有参数有：

 

更多requests模块相关的文档见：http://cn.python-requests.org/zh_CN/latest/

自动登陆抽屉并点赞

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

### 1、首先登陆任何页面，获取cookie   i1 = requests.get(url= "http://dig.chouti.com/help/service")   ### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权 i2 = requests.post(     url= "http://dig.chouti.com/login",     data= {         'phone': "86手机号",         'password': "密码",         'oneMonth': ""     },     cookies = i1.cookies.get_dict() )   ### 3、点赞（只需要携带已经被授权的gpsd即可） gpsd = i1.cookies.get_dict()['gpsd'] i3 = requests.post(     url="http://dig.chouti.com/link/vote?linksId=8589523",     cookies={'gpsd': gpsd} ) print(i3.text)

“破解”微信公众号

“破解”微信公众号其实就是使用Python代码自动实现【登陆公众号】->【获取观众用户】-> 【向关注用户发送消息】。

注：只能向48小时内有互动的粉丝主动推送消息

1、自动登陆

分析对于Web登陆页面，用户登陆验证时仅做了如下操作：

• 登陆的URL：https://mp.weixin.qq.com/cgi-bin/login?lang=zh_CN
• POST的数据为：
  

      {
           'username': 用户名,
           'pwd': 密码的MD5值,
           'imgcode': "", 
           'f': 'json'
      }
  注：imgcode是需要提供的验证码，默认无需验证码，只有在多次登陆未成功时，才需要用户提供验证码才能登陆

• POST的请求头的Referer值，微信后台用次来检查是谁发送来的请求
• 请求发送并登陆成功后，获取用户响应的cookie，以后操作其他页面时需要携带此cookie 
• 请求发送并登陆成功后，获取用户相应的内容中的token

 

登陆成功获取的相应内容如下：

1 2 3 4 5

响应内容： {"base_resp":{"ret":0,"err_msg":"ok"},"redirect_url":"/cgi-bin/home?t=home/index&lang=zh_CN&token=537908795"}   响应cookie： {'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'CaoX+QA0ZA9LRZ4YM3zZkvedyCY8mZi0XlLonPwvBGkX0/jY/FZgmGTq6xGuQk4H', 'slave_user': 'gh_5abeaed48d10', 'slave_sid': 'elNLbU1TZHRPWDNXSWdNc2FjckUxalM0Y000amtTamlJOUliSnRnWGRCdjFseV9uQkl5cUpHYkxqaGJNcERtYnM2WjdFT1pQckNwMFNfUW5fUzVZZnFlWGpSRFlVRF9obThtZlBwYnRIVGt6cnNGbUJsNTNIdTlIc2JJU29QM2FPaHZjcTcya0F6UWRhQkhO'}

2、访问其他页面获取用户信息

分析用户管理页面，通过Pyhton代码以Get方式访问此页面，分析响应到的 HTML 代码，从中获取用户信息：

• 获取用户的URL：https://mp.weixin.qq.com/cgi-bin/user_tag?action=get_all_data&lang=zh_CN&token=登陆时获取的token
• 发送GET请求时，需要携带登陆成功后获取的cookie
  

  1	{'data_bizuin': '3016804678', 'bizuin': '3016804678', 'data_ticket': 'C4YM3zZ...

• 获取当前请求的响应的html代码
• 通过正则表达式获取html中的指定内容（Python的模块Beautiful Soup）
• 获取html中每个用户的 data-fakeid属性，该值是用户的唯一标识，通过它可向用户推送消息

 

3、发送消息

分析给用户发送消息的页面，从网络请求中剖析得到发送消息的URL，从而使用Python代码发送消息：

• 发送消息的URL：https://mp.weixin.qq.com/cgi-bin/singlesend?t=ajax-response&f=json&token=登陆时获取的token放在此处&lang=zh_CN
• 从登陆时相应的内容中获取：token和cookie
• 从用户列表中获取某个用户唯一标识： fake_id
• 封装消息，并发送POST请求
  

  1 2 3 4 5 6 7 8 9 10 11

  send_dict = {     'token': 登陆时获取的token,     'lang': "zh_CN",     'f': 'json',     'ajax': 1,     'random': "0.5322618900912392",     'type': 1,     'content': 要发送的内容,     'tofakeid': 用户列表中获取的用户的ID,     'imgcode': '' }

 

以上就是“破解”微信公众号的整个过程，通过Python代码实现了自动【登陆微信公众号平台】【获取用户列表】【指定用户发送消息】。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

1	pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

1	scrapy startproject your_project_name

自动创建目录：

1 2 3 4 5 6 7 8 9

project_name/    scrapy.cfg    project_name/        __init__.py        items.py        pipelines.py        settings.py        spiders/            __init__.py

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy   class XiaoHuarSpider(scrapy.spiders.Spider):     name = "xiaohuar"     allowed_domains = ["xiaohuar.com"]     start_urls = [         "http://www.xiaohuar.com/hua/",     ]       def parse(self, response):         # print(response, type(response))         # from scrapy.http.response.html import HtmlResponse         # print(response.body_as_unicode())           current_url = response.url         body = response.body         unicode_body = response.body_as_unicode()

3、运行

进入project_name目录，运行命令

1	scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy from scrapy.http import Request from scrapy.selector import HtmlXPathSelector import re import urllib import os     class XiaoHuarSpider(scrapy.spiders.Spider):     name = "xiaohuar"     allowed_domains = ["xiaohuar.com"]     start_urls = [         "http://www.xiaohuar.com/list-1-1.html",     ]       def parse(self, response):         # 分析页面         # 找到页面中符合规则的内容（校花图片），保存         # 找到所有的a标签，再访问其他a标签，一层一层的搞下去           hxs = HtmlXPathSelector(response)           # 如果url是 http://www.xiaohuar.com/list-1-d+.html         if re.match('http://www.xiaohuar.com/list-1-d+.html', response.url):             items = hxs.select('//div[@class="item_list infinite_scroll"]/div')             for i in range(len(items)):                 src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()                 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()                 school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()                 if src:                     ab_src = "http://www.xiaohuar.com" + src[0]                     file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))                     file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)                     urllib.urlretrieve(ab_src, file_path)           # 获取所有的url，继续访问，并在其中寻找相同的url         all_urls = hxs.select('//a/@href').extract()         for url in all_urls:             if url.startswith('http://www.xiaohuar.com/list-1-'):                 yield Request(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

 

 

 

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

# -*- coding: utf-8 -*-   # Define here the models for your scraped items # # See documentation in: # http://doc.scrapy.org/en/latest/topics/items.html   import scrapy   class JieYiCaiItem(scrapy.Item):       company = scrapy.Field()     title = scrapy.Field()     qq = scrapy.Field()     info = scrapy.Field()     more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

 

此处代码的关键在于：

• 将获取的数据封装在了Item对象中
• yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

 

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

1 2 3 4 5

ITEM_PIPELINES = {     'beauty.pipelines.DBPipeline': 300,     'beauty.pipelines.JsonPipeline': 100, } # 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

更多请参见Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html