前言

文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。

作者： Eastmount

PS：如有需要Python學習資料的小伙伴可以加點擊下方鏈接自行獲取

我們在編寫Python爬蟲時，有時會遇到網站拒絕訪問等反爬手段，比如這么我們想爬取螞蟻短租數據，它則會提示“當前訪問疑似黑客攻擊，已被網站管理員設置為攔截”提示，如下圖所示。此時我們需要采用設置Cookie來進行爬取，下面我們進行詳細介紹。非常感謝我的學生承峰提供的思想，后浪推前浪啊！

一. 網站分析與爬蟲攔截

當我們打開螞蟻短租搜索貴陽市，反饋如下圖所示結果。

我們可以看到短租房信息呈現一定規律分布，如下圖所示，這也是我們要爬取的信息。

通過瀏覽器審查元素，我們可以看到需要爬取每條租房信息都位于

節點下。

在定位房屋名稱，如下圖所示，位于

接下來我們寫個簡單的BeautifulSoup進行爬取。

# -*- coding: utf-8 -*-

import urllib

import re

from bs4 import BeautifulSoup

import codecs

url = 'http://www.mayi.com/guiyang/?map=no'

response=urllib.urlopen(url)

contents = response.read()

soup = BeautifulSoup(contents, "html.parser")

print soup.title

print soup

#短租房名稱

for tag in soup.find_all('dd'):

for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

fname = name.find('p').get_text()

print u'[短租房名稱]', fname.replace('\n','').strip()

但很遺憾，報錯了，說明螞蟻金服防范措施還是挺到位的。

二. 設置Cookie的BeautifulSoup爬蟲

添加消息頭的代碼如下所示，這里先給出代碼和結果，再教大家如何獲取Cookie。

# -*- coding: utf-8 -*-

import urllib2

import re

from bs4 import BeautifulSoup

#爬蟲函數

def gydzf(url):

user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"

headers={"User-Agent":user_agent}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

contents = response.read()

soup = BeautifulSoup(contents, "html.parser")

for tag in soup.find_all('dd'):

#短租房名稱

for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

fname = name.find('p').get_text()

print u'[短租房名稱]', fname.replace('\n','').strip()

#短租房價格

for price in tag.find_all(attrs={"class":"moy-b"}):

string = price.find('p').get_text()

fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)

fprice = fprice[0:5]

print u'[短租房價格]', fprice.replace('\n','').strip()

#評分及評論人數

for score in name.find('ul'):

fscore = name.find('ul').get_text()

print u'[短租房評分/評論/居住人數]', fscore.replace('\n','').strip()

#網頁鏈接url

url_dzf = tag.find(attrs={"target":"_blank"})

urls = url_dzf.attrs['href']

print u'[網頁鏈接]', urls.replace('\n','').strip()

urlss = 'http://www.mayi.com' + urls + ''

print urlss

#主函數

if __name__ == '__main__':

i = 1

while i<10:

print u'頁碼', i

url = 'http://www.mayi.com/guiyang/' + str(i) + '/?map=no'

gydzf(url)

i = i+1

else:

print u"結束"

輸出結果如下圖所示：

頁碼 1

[短租房名稱] 大唐東原財富廣場--城市簡約復式民宿

[短租房價格] 298

[短租房評分/評論/居住人數] 5.0分·5條評論·二居·可住3人

[網頁鏈接] /room/851634765

http://www.mayi.com/room/851634765

[短租房名稱] 大唐東原財富廣場--清新檸檬復式民宿

[短租房價格] 568

[短租房評分/評論/居住人數] 2條評論·三居·可住6人

[網頁鏈接] /room/851634467

http://www.mayi.com/room/851634467

...

頁碼 9

[短租房名稱] 【高鐵北站公園旁】美式風情+超大舒適安逸

[短租房價格] 366

[短租房評分/評論/居住人數] 3條評論·二居·可住5人

[網頁鏈接] /room/851018852

http://www.mayi.com/room/851018852

[短租房名稱] 大營坡(中大國際購物中心附近)北歐小清新三室

[短租房價格] 298

[短租房評分/評論/居住人數] 三居·可住6人

[網頁鏈接] /room/851647045

http://www.mayi.com/room/851647045

?

接下來我們想獲取詳細信息

這里作者主要是提供分析Cookie的方法，使用瀏覽器打開網頁，右鍵“檢查”，然后再刷新網頁。在“NetWork”中找到網頁并點擊，在彈出來的Headers中就隱藏這這些信息。

最常見的兩個參數是Cookie和User-Agent，如下圖所示：

然后在Python代碼中設置這些參數，再調用Urllib2.Request()提交請求即可，核心代碼如下：

user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) ... Chrome/61.0.3163.100 Safari/537.36"

cookie="mediav=%7B%22eid%22%3A%22387123...b3574ef2-21b9-11e8-b39c-1bc4029c43b8"

headers={"User-Agent":user_agent,"Cookie":cookie}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

contents = response.read()

soup = BeautifulSoup(contents, "html.parser")

for tag1 in soup.find_all(attrs={"class":"main"}):

注意，每小時Cookie會更新一次，我們需要手動修改Cookie值即可，就是上面代碼的cookie變量和user_agent變量。完整代碼如下所示：

import urllib2

import re

from bs4 import BeautifulSoup

import codecs

import csv

c = open("ycf.csv","wb") #write 寫

c.write(codecs.BOM_UTF8)

writer = csv.writer(c)

writer.writerow(["短租房名稱","地址","價格","評分","可住人數","人均價格"])

#爬取詳細信息

def getInfo(url,fname,fprice,fscore,users):

#通過瀏覽器開發者模式查看訪問使用的user_agent及cookie設置訪問頭(headers)避免反爬蟲,且每隔一段時間運行要根據開發者中的cookie更改代碼中的cookie

user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"

cookie="mediav=%7B%22eid%22%3A%22387123%22eb7; mayi_uuid=1582009990674274976491; sid=42200298656434922.85.130.130"

headers={"User-Agent":user_agent,"Cookie":cookie}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

contents = response.read()

soup = BeautifulSoup(contents, "html.parser")

#短租房地址

for tag1 in soup.find_all(attrs={"class":"main"}):

print u'短租房地址:'

for tag2 in tag1.find_all(attrs={"class":"desWord"}):

address = tag2.find('p').get_text()

print address

#可住人數

print u'可住人數:'

for tag4 in tag1.find_all(attrs={"class":"w258"}):

yy = tag4.find('span').get_text()

print yy

fname = fname.encode("utf-8")

address = address.encode("utf-8")

fprice = fprice.encode("utf-8")

fscore = fscore.encode("utf-8")

fpeople = yy[2:3].encode("utf-8")

ones = int(float(fprice))/int(float(fpeople))

#存儲至本地

writer.writerow([fname,address,fprice,fscore,fpeople,ones])

#爬蟲函數

def gydzf(url):

user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"

headers={"User-Agent":user_agent}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

contents = response.read()

soup = BeautifulSoup(contents, "html.parser")

for tag in soup.find_all('dd'):

#短租房名稱

for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

fname = name.find('p').get_text()

print u'[短租房名稱]', fname.replace('\n','').strip()

#短租房價格

for price in tag.find_all(attrs={"class":"moy-b"}):

string = price.find('p').get_text()

fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)

fprice = fprice[0:5]

print u'[短租房價格]', fprice.replace('\n','').strip()

#評分及評論人數

for score in name.find('ul'):

fscore = name.find('ul').get_text()

print u'[短租房評分/評論/居住人數]', fscore.replace('\n','').strip()

#網頁鏈接url

url_dzf = tag.find(attrs={"target":"_blank"})

urls = url_dzf.attrs['href']

print u'[網頁鏈接]', urls.replace('\n','').strip()

urlss = 'http://www.mayi.com' + urls + ''

print urlss

getInfo(urlss,fname,fprice,fscore,user_agent)

#主函數

if __name__ == '__main__':

i = 0

while i<33:

print u'頁碼', (i+1)

if(i==0):

url = 'http://www.mayi.com/guiyang/?map=no'

if(i>0):

num = i+2 #除了第一頁是空的，第二頁開始按2順序遞增

url = 'http://www.mayi.com/guiyang/' + str(num) + '/?map=no'

gydzf(url)

i=i+1

c.close()

輸出結果如下，存儲本地CSV文件：

同時，大家可以嘗試Selenium爬取螞蟻短租，應該也是可行的方法。最后希望文章對您有所幫助，如果存在不足之處，請海涵~

總結

以上是生活随笔為你收集整理的python爬虫cookie池 与ip绑定_Python爬虫：设置Cookie解决网站拦截并爬取蚂蚁短租的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。