request高级部分

requests高级部分

• 代理
• cookie
• 验证码的识别
• 模拟登陆

代理

• 代理概念：代理服务器。

• 作用：接受请求==》请求转发。

• 代理和爬虫之间的关联：

  • 可以使用请求转发的机制使得目的服务器接收到的请求对应ip的一个改变。

• 为什么要使用代理改变请求的ip地址？

  • 爬虫程序在短时间内对指定的服务器发起了一个高频的请求，则请求对应的ip可能会被目的服务器禁止。

• 代理的一些基础知识：

  • 代理的匿名度：
    • 透明代理：目的服务器知道你使用了代理机制并且也知道你的真实IP
    • 匿名代理：知道使用了代理机制，但是不知道你的真实ip
    • 高匿代理：不知道使用了代理，也不知道你的真实ip
  • 代理的类型：
    • http
    • https

• 免费代理ip：

  • 快代理
  • 西祠代理
  • www.goubanjia.com
  • 代理精灵

• 需求：测试一下代理是否会生效

  • 准备：
    • 代理ip和端口号
    • 测试的过程

• get/post方法中使用proxies请求代理的设置

  • proxies={'http':'ip:port'}

import requests
url = 'https://www.baidu.com/s?ie=utf-8&wd=ip'
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
page_text = requests.get(url=url,headers=headers,proxies={'https':'112.195.96.115:32092'}).text
with open('./ip.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

• 对西祠代理发起一个高频的请求，使得本机ip被禁止，然后采用代理池解决代理的反爬

  • url:https://www.xicidaili.com/nn/1

• 代理池的构建：就是一个列表，列表中存储的是字典。每一个字典存储的键值{'http':'ip:port'}

all_ips = []
url = 'http://t.11jsq.com/index.php/api/entry?method=proxyServer.generate_api_url&packid=1&fa=0&fetch_key=&groupid=0&qty=30&time=1&pro=&city=&port=1&format=txt&ss=3&css=&dt=1&specialTxt=3&specialJson=&usertype=2'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
ip_list = tree.xpath('//body//text()')[0].split('
')
for ip in ip_list:
    dic = {
        'https':ip
    }
    all_ips.append(dic)

from lxml import etree
import random
url = 'https://www.xicidaili.com/nn/%d'
ips = []
for page in range(1,3):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree = etree.HTML(page_text)
    #在xpath表达式中一定不可以出现tbody标签
    tr_list = tree.xpath('//*[@id="ip_list"]//tr')[1:]
    for tr in tr_list:
        ip = tr.xpath('./td[2]/text()')[0]
        ips.append(ip)
print(len(ips))

结果
200

cookie处理

• https://xueqiu.com/，对雪球网中的新闻数据进行爬取

• 分析：

  • 新闻数据是通过ajax动态加载出来的
  • 捕获到ajax数据包中的url

• 请求头中重要的头信息

  • User-Agent
  • Cookie
  • Referer

• cookie的处理

  • 手动处理
    • 将cookie作用到headers中即可
  • 自动处理
    • session = requests.Session()
    • session的作用：
      • session可以像requests模块一样调用get和post进行请求发送
      • 在进行请求发送的过程中如果产生了cookie，则cookie会被自动存储到session对象中。

session = requests.Session()
#第一次请求发送：为了捕获cookie且存储到session对象中
first_url = 'https://xueqiu.com/'
session.get(first_url,headers=headers)

#第二次请求发送：携带者cookie进行的请求发送
url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20358211&count=15&category=-1'
json_data = session.get(url=url,headers=headers).json()
json_data

模拟登录

• 为什么需要进行模拟登录：

  • 有些数据不经过登录是访问不到

• 验证码的处理:软件ID： 899370

  • 基于线上的打码平台来实现
    • 云打码：http://www.yundama.com/about.html
    • 超级鹰：http://www.chaojiying.com/about.html
  • 超级鹰的使用流程：
    • 基于用户中心的身份进行注册
    • 用户中心的身份进行登录：
      • 充值
      • 创建一个软件：软件ID-》生成软件ID
      • 下载示例代码：开发文档-》Python-》下载

import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()

#执行代码
chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
im = open('a.jpg', 'rb').read()
print chaojiying.PostPic(im, 1902)

• 使用打码平台识别古诗文网中的验证码图片

#封装一个识别验证码的函数
def transformCode(imgPath,imgType):
    chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
    im = open(imgPath, 'rb').read()
    return chaojiying.PostPic(im, imgType)['pic_str']

url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
#解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
img_data = requests.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)
transformCode('./code.jpg',1902)

结果
'uzzf'

• 模拟登录
  • 对点击登录按钮对应的url进行请求发送
  • 动态变化的请求参数：
    • 一般都会被隐藏在前台页面中
    • 基于抓包工具对请求参数的名称进行全局搜索

#处理cookie
session = requests.Session()

#获取且识别验证码
url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = session.get(url,headers=headers).text
tree = etree.HTML(page_text)
#解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]

#解析出模拟登录请求中动态变化的两个请求参数的之
__VIEWSTATE = tree.xpath('//*[@id="__VIEWSTATE"]/@value')[0]
__VIEWSTATEGENERATOR = tree.xpath('//*[@id="__VIEWSTATEGENERATOR"]/@value')[0]
#对图片进行请求时捕获cookie
img_data = session.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)
#验证码对应的文本数据
code_text = transformCode('./code.jpg',1902)
print(code_text)

#对于登录按钮的点击进行请求发送
login_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'
data = {
    '__VIEWSTATE': __VIEWSTATE,
    '__VIEWSTATEGENERATOR': __VIEWSTATEGENERATOR,
    'from': 'http://so.gushiwen.org/user/collect.aspx',
    'email': 'www.zhangbowudi@qq.com',
    'pwd': 'bobo328410948',
    'code': code_text,
    'denglu': '登录',
}
login_page_text = session.post(url=login_url,headers=headers,data=data).text
with open('./gushiwen.html','w',encoding='utf-8') as fp:
    fp.write(login_page_text)

结果
ivvy

总结：

• 验证码
• 动态变化的请求参数
• cookie
• 代理
• UA
• robots