基于requests模塊的cookie,session和線程池爬取

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(dá)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urlurl = 'http://www.renren.com/289676607/profile'#偽裝UAheaders={'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)

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(xiàng)。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(fèi)信息，但我們辦了積分卡之后，超市就有了我們的消費(fèi)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(shí)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(jìn)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(jìn)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)

''' 遇到問題沒人解答？小編創(chuàng)建了一個Python學(xué)習(xí)交流QQ群：857662006 尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學(xué)習(xí)教程和PDF電子書！ ''' #!/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(jìn)行存儲和攜帶session = requests.session()#偽裝UAheaders={'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cookiesession.post(url=post_url,data=formdata,headers=headers)get_url = 'http://www.renren.com/960481378/profile'#再次使用session進(jìn)行請求的發(fā)送，該次請求中已經(jīng)攜帶了cookieresponse = 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)

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(hù)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(hù)服務(wù)器或負(fù)責(zé)負(fù)載均衡。

• 免費(fèi)代理ip提供網(wǎng)站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

''' 遇到問題沒人解答？小編創(chuàng)建了一個Python學(xué)習(xí)交流QQ群：857662006 尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學(xué)習(xí)教程和PDF電子書！ '''#!/usr/bin/env python# -*- coding:utf-8 -*-import requestsimport randomif __name__ == "__main__":#不同瀏覽器的UAheader_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IPproxy_list = [{"http": "112.115.57.20:3128"},{'http': '121.41.171.223:3128'}]#隨機(jī)獲取UA和代理IPheader = 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IPrequests.get(url, proxies={"http": ""})

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(jì)算其爬取數(shù)據(jù)的耗時

  • 普通爬取

''' 遇到問題沒人解答？小編創(chuàng)建了一個Python學(xué)習(xí)交流QQ群：857662006 尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學(xué)習(xí)教程和PDF電子書！ '''%%timeimport requestsimport randomfrom lxml import etreeimport refrom fake_useragent import UserAgent#安裝fake-useragent庫:pip install fake-useragenturl = 'http://www.pearvideo.com/category_1'#隨機(jī)產(chǎn)生UA,如果報(bào)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(yàn)證：#ua = UserAgent(verify_ssl=False)ua = UserAgent().randomheaders = {'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(jìn)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).textvedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0]data = requests.get(url=vedio_url,headers=headers).contentfileName = str(random.randint(1,10000))+'.mp4' #隨機(jī)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

%%timeimport requestsimport randomfrom lxml import etreeimport refrom 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(shí)例化線程池對象pool = Pool()url = 'http://www.pearvideo.com/category_1'#隨機(jī)產(chǎn)生UAua = UserAgent().randomheaders = {'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(jìn)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urlfor 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urlfor url in detail_urls:page_text = requests.get(url=url,headers=headers).textvedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0]vedio_urls.append(vedio_url) #使用線程池進(jìn)行視頻數(shù)據(jù)下載 func_request = lambda link:requests.get(url=link,headers=headers).contentvideo_data_list = pool.map(func_request,vedio_urls)#使用線程池進(jìn)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()

總結(jié)

以上是生活随笔為你收集整理的基于requests模块的cookie,session和线程池爬取的全部內(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。