06.Python網路爬蟲之requests模組（2）
06.Python網路爬蟲之requests模組（2）
今日內容
- session處理cookie
- proxies引數設定請求代理ip
- 基於執行緒池的資料爬取
知識點回顧
- xpath的解析流程
- bs4的解析流程
- 常用xpath表示式
- 常用bs4解析方法
瞭解cookie和session
- 無狀態的http協議
- 如上圖所示，HTTP協議 是無狀態的協議，使用者瀏覽伺服器上的內容，只需要傳送頁面請求，伺服器返回內容。對於伺服器來說，並不關心，也並不知道是哪個使用者的請求。對於一般瀏覽性的網頁來說，沒有任何問題。
- 但是，現在很多的網站，是需要使用者登入的。以淘寶為例：比如說某個使用者想購買一個產品，當點選 “ 購買按鈕 ” 時，由於HTTP協議 是無狀態的，那對於淘寶來說，就不知道是哪個使用者操作的。
瞭解Cookie
-如圖，為了實現使用者標記，在Http無狀態請求的基礎之上，我們需要在請求中攜帶一些使用者資訊（比如使用者名稱之類，這些資訊是伺服器傳送到本地瀏覽器的，但是伺服器並不儲存這些資訊），這就是cookie機制。
-需要注意的是：cookie資訊是儲存在本地瀏覽器裡面的，伺服器上並不儲存相關的資訊。 在傳送請求時，cookie的這些內容是放在 Http協議中的header 欄位中進行傳輸的。
- 幾乎現在所有的網站都會發送一些 cookie資訊過來，當用戶請求中攜帶了cookie資訊，伺服器就可以知道是哪個使用者的訪問了，從而不需要再使用賬戶和密碼登入。
- 但是，剛才也提到了，cookie資訊是直接放在Http協議的header中進行傳輸的，看得出來，這是個隱患！一旦別人獲取到你的cookie資訊（截獲請求，或者使用你的電腦），那麼他很容易從cookie中分析出你的使用者名稱和密碼。為了解決這個隱患，所以有了session機制。
瞭解session
- 剛才提到了cookie不安全，所以有了session機制。簡單來說（每個框架都不一樣，這只是舉一個通用的實現策略），整過過程是這樣：
- 伺服器根據使用者名稱和密碼，生成一個session ID，儲存到伺服器的資料庫中。
- 使用者登入訪問時，伺服器會將對應的session ID傳送給使用者（本地瀏覽器）。
- 以後，瀏覽器每次請求，就會將含有session ID的cookie資訊，一起傳送給伺服器。
- 伺服器收到請求之後，通過cookie中的session ID，到資料庫中去查詢，解析出對應的使用者名稱，就知道是哪個使用者的請求了。
總結
- cookie 在客戶端（本地瀏覽器），session 在伺服器端。cookie是一種瀏覽器本地儲存機制。儲存在本地瀏覽器中，和伺服器沒有關係。每次請求，使用者會帶上本地cookie的資訊。這些cookie資訊也是伺服器之前傳送給瀏覽器的，或者是使用者之前填寫的一些資訊。
- Cookie有不安全機制。 你不能把所有的使用者資訊都存在本地，一旦被別人竊取，就知道你的使用者名稱和密碼，就會很危險。所以引入了session機制。
- 伺服器在傳送id時引入了一種session的機制，很簡單，就是根據使用者名稱和密碼，生成了一段隨機的字串，這段字串是有過期時間的。
- 一定要注意：session是伺服器生成的，儲存在伺服器的資料庫或者檔案中，然後把sessionID傳送給使用者，使用者儲存在本地cookie中。每次請求時，把這個session ID帶給伺服器，伺服器根據session ID到資料庫中去查詢，找到是哪個使用者，就可以對使用者進行標記了。
- session 的執行依賴 session ID，而 session ID 是存在 cookie 中的，也就是說，如果瀏覽器禁用了 cookie ，那麼同時 session 也會失效（但是可以通過其它方式實現，比如在url中傳遞 session ID）
- 使用者驗證這種場合一般會用 session。 因此，維持一個會話的核心就是客戶端的唯一標識，即session ID
引入
有些時候，我們在使用爬蟲程式去爬取一些使用者相關資訊的資料（爬取張三“人人網”個人主頁資料）時，如果使用之前requests模組常規操作時，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__":
#張三人人網個人資訊頁面的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',
}
#傳送請求，獲取響應物件
response = requests.get(url=url,headers=headers)
#將響應內容寫入檔案
with open('./renren.html','w',encoding='utf-8') as fp:
fp.write(response.text)一.基於requests模組的cookie操作
- 結果發現，寫入到檔案中的資料，不是張三個人頁面的資料，而是人人網登陸的首頁面，why？首先我們來回顧下cookie的相關概念及作用：
- cookie概念：當用戶通過瀏覽器首次訪問一個域名時，訪問的web伺服器會給客戶端傳送資料，以保持web伺服器與客戶端之間的狀態保持，這些資料就是cookie。
- cookie作用：我們在瀏覽器中，經常涉及到資料的交換，比如你登入郵箱，登入一個頁面。我們經常會在此時設定30天內記住我，或者自動登入選項。那麼它們是怎麼記錄資訊的呢，答案就是今天的主角cookie了，Cookie是由HTTP伺服器設定的，儲存在瀏覽器中，但HTTP協議是一種無狀態協議，在資料交換完畢後，伺服器端和客戶端的連結就會關閉，每次交換資料都需要建立新的連結。就像我們去超市買東西，沒有積分卡的情況下，我們買完東西之後，超市沒有我們的任何消費資訊，但我們辦了積分卡之後，超市就有了我們的消費資訊。cookie就像是積分卡，可以儲存積分，商品就是我們的資訊，超市的系統就像伺服器後臺，http協議就是交易的過程。
- 經過cookie的相關介紹，其實你已經知道了為什麼上述案例中爬取到的不是張三個人資訊頁，而是登入頁面。那應該如何抓取到張三的個人資訊頁呢？
思路：
1.我們需要使用爬蟲程式對人人網的登入時的請求進行一次抓取，獲取請求中的cookie資料
2.在使用個人資訊頁的url進行請求時，該請求需要攜帶 1 中的cookie，只有攜帶了cookie後，伺服器才可識別這次請求的使用者資訊，方可響應回指定的使用者資訊頁資料
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
if __name__ == "__main__":
#登入請求的url（通過抓包工具獲取）
post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'
#建立一個session物件，該物件會自動將請求中的cookie進行儲存和攜帶
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傳送請求，目的是為了將session儲存該次請求中的cookie
session.post(url=post_url,data=formdata,headers=headers)
get_url = 'http://www.renren.com/960481378/profile'
#再次使用session進行請求的傳送，該次請求中已經攜帶了cookie
response = session.get(url=get_url,headers=headers)
#設定響應內容的編碼格式
response.encoding = 'utf-8'
#將響應內容寫入檔案
with open('./renren.html','w') as fp:
fp.write(response.text)二.基於requests模組的代理操作
- 什麼是代理
-
代理就是第三方代替本體處理相關事務。例如：生活中的代理：代購，中介，微商......
-
-
爬蟲中為什麼需要使用代理
-
一些網站會有相應的反爬蟲措施，例如很多網站會檢測某一段時間某個IP的訪問次數，如果訪問頻率太快以至於看起來不像正常訪客，它可能就會會禁止這個IP的訪問。所以我們需要設定一些代理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繼續爬取。
-
-
代理的分類：
-
正向代理：代理客戶端獲取資料。正向代理是為了保護客戶端防止被追究責任。
-
反向代理：代理伺服器提供資料。反向代理是為了保護伺服器或負責負載均衡。
-
-
免費代理ip提供網站
-
http://www.goubanjia.com/
-
西祠代理
-
快代理
-
-
程式碼
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests import random if __name__ == "__main__": #不同瀏覽器的UA header_list = [ # 遨遊 {"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' #引數3：設定代理 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.基於multiprocessing.dummy執行緒池的資料爬取
- 需求：爬取梨視訊的視訊資訊，並計算其爬取資料的耗時
- 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' #隨機產生UA,如果報錯則可以新增如下引數： #ua = UserAgent(verify_ssl=False,use_cache_server=False).random #禁用伺服器快取： #ua = UserAgent(use_cache_server=False) #不快取資料： #ua = UserAgent(cache=False) #忽略ssl驗證： #ua = UserAgent(verify_ssl=False) ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面資料 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面資料中的相關視訊詳情連結進行解析 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' #隨機生成視訊檔名稱 with open(fileName,'wb') as fp: fp.write(data) print(fileName+' is over') - 基於執行緒池的爬取
%%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 #匯入執行緒池模組 from multiprocessing.dummy import Pool #例項化執行緒池物件 pool = Pool() url = 'http://www.pearvideo.com/category_1' #隨機產生UA ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面資料 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面資料中的相關視訊詳情連結進行解析 tree = etree.HTML(page_text) li_list = tree.xpath('//div[@id="listvideoList"]/ul/li') detail_urls = []#儲存二級頁面的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 = []#儲存視訊的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) #使用執行緒池進行視訊資料下載 func_request = lambda link:requests.get(url=link,headers=headers).content video_data_list = pool.map(func_request,vedio_urls) #使用執行緒池進行視訊資料儲存 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+'已儲存') pool.close() pool.join()
- 普通爬取