基于requests模块的cookie,session和线程池爬取

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

基于requests模块的cookie,session和线程池爬取
- 基于requests模块的cookie操作
- 基于requests模块的代理操作
  - 基于multiprocessing.dummy线程池的数据爬取

有些时候，我们在使用爬虫程序去爬取一些用户相关信息的数据（爬取张三“人人网”个人主页数据）时，如果使用之前requests模块常规操作时，往往达不到我们想要的目的，例如：

#!/usr/bin/env python

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

import requests

if __name__ == "__main__":

    #张三人人网个人信息页面的url

    url = 'http://www.renren.com/289676607/profile'

   #伪装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',

    }

    #发送请求，获取响应对象

    response = requests.get(url=url,headers=headers)

    #将响应内容写入文件

    with open('./renren.html','w',encoding='utf-8') as fp:

        fp.write(response.text)

基于requests模块的cookie操作

结果发现，写入到文件中的数据，不是张三个人页面的数据，而是人人网登陆的首页面，why？首先我们来回顾下cookie的相关概念及作用：

cookie概念：当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。

cookie作用：我们在浏览器中，经常涉及到数据的交换，比如你登录邮箱，登录一个页面。我们经常会在此时设置30天内记住我，或者自动登录选项。那么它们是怎么记录信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服务器设置的，保存在浏览器中，但HTTP协议是一种无状态协议，在数据交换完毕后，服务器端和客户端的链接就会关闭，每次交换数据都需要建立新的链接。就像我们去超市买东西，没有积分卡的情况下，我们买完东西之后，超市没有我们的任何消费信息，但我们办了积分卡之后，超市就有了我们的消费信息。cookie就像是积分卡，可以保存积分，商品就是我们的信息，超市的系统就像服务器后台，http协议就是交易的过程。

经过cookie的相关介绍，其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页，而是登录页面。那应该如何抓取到张三的个人信息页呢？

思路：

1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取，获取请求中的cookie数据

2.在使用个人信息页的url进行请求时，该请求需要携带 1 中的cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据

#!/usr/bin/env python

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

import requests

if __name__ == "__main__":

    #登录请求的url（通过抓包工具获取）

    post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'

    #创建一个session对象，该对象会自动将请求中的cookie进行存储和携带

    session = requests.session()

   #伪装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发送请求，目的是为了将session保存该次请求中的cookie

    session.post(url=post_url,data=formdata,headers=headers)

    get_url = 'http://www.renren.com/960481378/profile'

    #再次使用session进行请求的发送，该次请求中已经携带了cookie

    response = session.get(url=get_url,headers=headers)

    #设置响应内容的编码格式

    response.encoding = 'utf-8'

    #将响应内容写入文件

    with open('./renren.html','w') as fp:

        fp.write(response.text)

基于requests模块的代理操作

什么是代理?
- 代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......
爬虫中为什么需要使用代理?
- 一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。
代理的分类：
- 正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。
- 反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

免费代理ip提供网站

http://www.goubanjia.com/
西祠代理

快代理

  #!/usr/bin/env python

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

  import requests

  import random

  if __name__ == "__main__":

      #不同浏览器的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'}

      ]

      #随机获取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'

      #参数3：设置代理

      response = requests.get(url=url,headers=header,proxies=proxy)

      response.encoding = 'utf-8'

      with open('daili.html', 'wb') as fp:

          fp.write(response.content)

      #切换成原来的IP

      requests.get(url, proxies={"http": ""})

基于multiprocessing.dummy线程池的数据爬取

需求：爬取梨视频的视频信息，并计算其爬取数据的耗时

普通爬取

  %%time

  import requests

  import random

  from lxml import etree

  import re

  from fake_useragent import UserAgent

  #安装fake-useragent库:pip install fake-useragent

  url = 'http://www.pearvideo.com/category_1'

  #随机产生UA,如果报错则可以添加如下参数：

  #ua = UserAgent(verify_ssl=False,use_cache_server=False).random

  #禁用服务器缓存：

  #ua = UserAgent(use_cache_server=False)

  #不缓存数据：

  #ua = UserAgent(cache=False)

  #忽略ssl验证：

  #ua = UserAgent(verify_ssl=False)

  ua = UserAgent().random

  headers = {

      'User-Agent':ua

  }

  #获取首页页面数据

  page_text = requests.get(url=url,headers=headers).text

  #对获取的首页页面数据中的相关视频详情链接进行解析

  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' #随机生成视频文件名称

      with open(fileName,'wb') as fp:

          fp.write(data)

          print(fileName+' is over')

基于线程池的爬取

  %%time

  import requests

  import random

  from lxml import etree

  import re

  from fake_useragent import UserAgent

  #安装fake-useragent库:pip install fake-useragent

  #导入线程池模块

  from multiprocessing.dummy import Pool

  #实例化线程池对象

  pool = Pool()

  url = 'http://www.pearvideo.com/category_1'

  #随机产生UA

  ua = UserAgent().random

  headers = {

      'User-Agent':ua

  }

  #获取首页页面数据

  page_text = requests.get(url=url,headers=headers).text

  #对获取的首页页面数据中的相关视频详情链接进行解析

  tree = etree.HTML(page_text)

  li_list = tree.xpath('//div[@id="listvideoList"]/ul/li')

  detail_urls = []#存储二级页面的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 = []#存储视频的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)

  #使用线程池进行视频数据下载

  func_request = lambda link:requests.get(url=link,headers=headers).content

  video_data_list = pool.map(func_request,vedio_urls)

  #使用线程池进行视频数据保存

  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+'已存储')

  pool.close()

  pool.join()