requests進階內(nèi)容

• session處理cookie
• proxies參數(shù)設(shè)置請求代理ip
• 基于線程池的數(shù)據(jù)爬取

引入

有些時候，我們在使用爬蟲程序去爬取一些用戶相關(guān)信息的數(shù)據(jù)（爬取張三“人人網(wǎng)”個人主頁數(shù)據(jù)）時，如果使用之前requests模塊常規(guī)操作時，往往達不到我們想要的目的，例如：

#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #張三人人網(wǎng)個人信息頁面的url url = 'http://www.renren.com/289676607/profile' #偽裝UA headers={ 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } #發(fā)送請求，獲取響應(yīng)對象 response = requests.get(url=url,headers=headers) #將響應(yīng)內(nèi)容寫入文件 with open('./renren.html','w',encoding='utf-8') as fp: fp.write(response.text)

?

一.基于requests模塊的cookie操作

????- 結(jié)果發(fā)現(xiàn)，寫入到文件中的數(shù)據(jù)，不是張三個人頁面的數(shù)據(jù)，而是人人網(wǎng)登陸的首頁面，why？首先我們來回顧下cookie的相關(guān)概念及作用：

　　　　- cookie概念：當(dāng)用戶通過瀏覽器首次訪問一個域名時，訪問的web服務(wù)器會給客戶端發(fā)送數(shù)據(jù)，以保持web服務(wù)器與客戶端之間的狀態(tài)保持，這些數(shù)據(jù)就是cookie。

　　　　- cookie作用：我們在瀏覽器中，經(jīng)常涉及到數(shù)據(jù)的交換，比如你登錄郵箱，登錄一個頁面。我們經(jīng)常會在此時設(shè)置30天內(nèi)記住我，或者自動登錄選項。那么它們是怎么記錄信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服務(wù)器設(shè)置的，保存在瀏覽器中，但HTTP協(xié)議是一種無狀態(tài)協(xié)議，在數(shù)據(jù)交換完畢后，服務(wù)器端和客戶端的鏈接就會關(guān)閉，每次交換數(shù)據(jù)都需要建立新的鏈接。就像我們?nèi)コ匈I東西，沒有積分卡的情況下，我們買完東西之后，超市沒有我們的任何消費信息，但我們辦了積分卡之后，超市就有了我們的消費信息。cookie就像是積分卡，可以保存積分，商品就是我們的信息，超市的系統(tǒng)就像服務(wù)器后臺，http協(xié)議就是交易的過程。

- 經(jīng)過cookie的相關(guān)介紹，其實你已經(jīng)知道了為什么上述案例中爬取到的不是張三個人信息頁，而是登錄頁面。那應(yīng)該如何抓取到張三的個人信息頁呢？

　　思路：

　　　　1.我們需要使用爬蟲程序?qū)θ巳司W(wǎng)的登錄時的請求進行一次抓取，獲取請求中的cookie數(shù)據(jù)

　　　　2.在使用個人信息頁的url進行請求時，該請求需要攜帶 1 中的cookie，只有攜帶了cookie后，服務(wù)器才可識別這次請求的用戶信息，方可響應(yīng)回指定的用戶信息頁數(shù)據(jù)

#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #登錄請求的url（通過抓包工具獲取） post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471' #創(chuàng)建一個session對象，該對象會自動將請求中的cookie進行存儲和攜帶 session = requests.session() #偽裝UA headers={ 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } formdata = { 'email': '17701256561', 'icode': '', 'origURL': 'http://www.renren.com/home', 'domain': 'renren.com', 'key_id': '1', 'captcha_type': 'web_login', 'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4', 'rkey': '44fd96c219c593f3c9612360c80310a3', 'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219', } #使用session發(fā)送請求，目的是為了將session保存該次請求中的cookie session.post(url=post_url,data=formdata,headers=headers) get_url = 'http://www.renren.com/960481378/profile' #再次使用session進行請求的發(fā)送，該次請求中已經(jīng)攜帶了cookie response = session.get(url=get_url,headers=headers) #設(shè)置響應(yīng)內(nèi)容的編碼格式 response.encoding = 'utf-8' #將響應(yīng)內(nèi)容寫入文件 with open('./renren.html','w') as fp: fp.write(response.text)

二.基于requests模塊的代理操作

• 什么是代理

  • 代理就是第三方代替本體處理相關(guān)事務(wù)。例如：生活中的代理：代購，中介，微商......

• 爬蟲中為什么需要使用代理

  • 一些網(wǎng)站會有相應(yīng)的反爬蟲措施，例如很多網(wǎng)站會檢測某一段時間某個IP的訪問次數(shù)，如果訪問頻率太快以至于看起來不像正常訪客，它可能就會會禁止這個IP的訪問。所以我們需要設(shè)置一些代理IP，每隔一段時間換一個代理IP，就算IP被禁止，依然可以換個IP繼續(xù)爬取。

• 代理的分類：

  • 正向代理：代理客戶端獲取數(shù)據(jù)。正向代理是為了保護客戶端防止被追究責(zé)任。

  • 反向代理：代理服務(wù)器提供數(shù)據(jù)。反向代理是為了保護服務(wù)器或負責(zé)負載均衡。

• 免費代理ip提供網(wǎng)站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

• 代碼

  #!/usr/bin/env python # -*- coding:utf-8 -*- import requests import random if __name__ == "__main__": #不同瀏覽器的UA header_list = [ # 遨游 {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"}, # 火狐 {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}, # 谷歌 { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} ] #不同的代理IP proxy_list = [ {"http": "112.115.57.20:3128"}, {'http': '121.41.171.223:3128'} ] #隨機獲取UA和代理IP header = random.choice(header_list) proxy = random.choice(proxy_list) url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip' #參數(shù)3：設(shè)置代理 response = requests.get(url=url,headers=header,proxies=proxy) response.encoding = 'utf-8' with open('daili.html', 'wb') as fp: fp.write(response.content) #切換成原來的IP requests.get(url, proxies={"http": ""})

  ?

三.基于multiprocessing.dummy線程池的數(shù)據(jù)爬取

• 需求：爬取梨視頻的視頻信息，并計算其爬取數(shù)據(jù)的耗時
  • 普通爬取 %%time import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent url = 'http://www.pearvideo.com/category_1' #隨機產(chǎn)生UA,如果報錯則可以添加如下參數(shù)： #ua = UserAgent(verify_ssl=False,use_cache_server=False).random #禁用服務(wù)器緩存： #ua = UserAgent(use_cache_server=False) #不緩存數(shù)據(jù)： #ua = UserAgent(cache=False) #忽略ssl驗證： #ua = UserAgent(verify_ssl=False) ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面數(shù)據(jù) page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數(shù)據(jù)中的相關(guān)視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath('//div[@id="listvideoList"]/ul/li') detail_urls = [] for li in li_list: detail_url = 'http://www.pearvideo.com/'+li.xpath('./div/a/@href')[0] title = li.xpath('.//div[@class="vervideo-title"]/text()')[0] detail_urls.append(detail_url) for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0] data = requests.get(url=vedio_url,headers=headers).content fileName = str(random.randint(1,10000))+'.mp4' #隨機生成視頻文件名稱 with open(fileName,'wb') as fp: fp.write(data) print(fileName+' is over')

    ?

  • 基于線程池的爬取 %%time import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent #導(dǎo)入線程池模塊 from multiprocessing.dummy import Pool #實例化線程池對象 pool = Pool() url = 'http://www.pearvideo.com/category_1' #隨機產(chǎn)生UA ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面數(shù)據(jù) page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數(shù)據(jù)中的相關(guān)視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath('//div[@id="listvideoList"]/ul/li') detail_urls = []#存儲二級頁面的url for li in li_list: detail_url = 'http://www.pearvideo.com/'+li.xpath('./div/a/@href')[0] title = li.xpath('.//div[@class="vervideo-title"]/text()')[0] detail_urls.append(detail_url) vedio_urls = []#存儲視頻的url for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0] vedio_urls.append(vedio_url) #使用線程池進行視頻數(shù)據(jù)下載 func_request = lambda link:requests.get(url=link,headers=headers).content video_data_list = pool.map(func_request,vedio_urls) #使用線程池進行視頻數(shù)據(jù)保存 func_saveData = lambda data:save(data) pool.map(func_saveData,video_data_list) def save(data): fileName = str(random.randint(1,10000))+'.mp4' with open(fileName,'wb') as fp: fp.write(data) print(fileName+'已存儲') pool.close() pool.join()

    ?

轉(zhuǎn)載于:https://www.cnblogs.com/caodneg7/p/10235963.html

總結(jié)

以上是生活随笔為你收集整理的爬虫中之Requests 模块的进阶的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。