簡單爬蟲示例

爬取抽屜，以及自動登陸抽屜點贊

先查看首頁拿到cookie，然後登陸要攜帶首頁拿到的 cookie 才可以通過驗證

""""""

# ################################### 示例一：爬取數據（攜帶請起頭） ###################################
"""
import requests
from bs4 import BeautifulSoup

r1 = requests.get(
    url=‘https://dig.chouti.com/‘,
    headers={
        ‘user-agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘
    }
)

soup = BeautifulSoup(r1.text,‘html.parser‘)
content_list = soup.find(name=‘div‘,attrs={"id":"content-list"})
item_list = content_list.find_all(name=‘div‘,attrs={‘class‘:‘item‘})
for item in item_list:
    a = item.find(name=‘a‘,attrs={‘class‘:‘show-content color-chag‘})
    print(a.text.strip())

 
"""
# ################################### 示例二：登陸點贊 ###################################
"""
import requests
# 1. 查看首頁
r1 = requests.get(
    url=‘https://dig.chouti.com/‘,
    headers={
        ‘user-agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘
    }
)

# 2. 提交用戶名和密碼
r2 = requests.post(
    url=‘https://dig.chouti.com/login‘,
    headers={
        ‘user-agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘
    },
    data={
        ‘phone‘:‘8613121758648‘,
        ‘password‘:‘woshiniba‘,
        ‘oneMonth‘:1
    },
    cookies=r1.cookies.get_dict() 
    # 套路 正常用戶必然會先訪問首頁然後再登陸
    # 如果你直接登陸必然是爬蟲，因此設計在第一次訪問首頁的時候先創建cookie 並且返回了回去
    # 並且要求你第二次訪問的時候要帶著這個 cookie 
)

# 3. 點贊
r3 = requests.post(
    url=‘https://dig.chouti.com/link/vote?linksId=20435396‘,
    headers={
        ‘user-agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘
    },
    cookies=r1.cookies.get_dict()
)
print(r3.text)
 
"""

# ############## 方式二 session 方式 ##############
"""
# 用 session 自動封裝好 cookie 不用在以後自己攜帶
import requests

session = requests.Session()
i1 = session.get(url="http://dig.chouti.com/help/service")
i2 = session.post(
    url="http://dig.chouti.com/login",
    data={
        ‘phone‘: "8615131255089",
        ‘password‘: "xxooxxoo",
        ‘oneMonth‘: ""
    }
)
i3 = session.post(
    url="http://dig.chouti.com/link/vote?linksId=8589523"
)
print(i3.text)
 
"""

爬取拉勾網

請求頭中存在自定義的驗證字段，要想辦法拿到才可以正確爬取,以及 Referer 的使用

import re
import requests


"""
密碼加密了的時候
    找js 通過 python 實現加密方式
    直接把加密後的密文拿來用
"""

r1 = requests.get(
    url=‘https://passport.lagou.com/login/login.html‘,
    headers={
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘,
    }
)

"""
    有兩個奇怪的東西，是網站的防禦機制
        這兩個數據必然是對方發給我們的
        要不在響應頭裏面，要不在響應體裏面
            響應頭看不到。那就去響應體裏面找。
"""

# 因為不是寫在標簽裏面的。只能用正則來拿了
X_Anti_Forge_Token = re.findall("X_Anti_Forge_Token = ‘(.*?)‘", r1.text, re.S)[0]
X_Anti_Forge_Code = re.findall("X_Anti_Forge_Code = ‘(.*?)‘", r1.text, re.S)[0]
# print(X_Anti_Forge_Token, X_Anti_Forge_Code)

r2 = requests.post(
    url=‘https://passport.lagou.com/login/login.json‘,
    headers={
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘,
        ‘X-Anit-Forge-Code‘:X_Anti_Forge_Code,
        ‘X-Anit-Forge-Token‘:X_Anti_Forge_Token,
        ‘Referer‘: ‘https://passport.lagou.com/login/login.html‘, # 上一次請求地址是什麽？很多網站會要求帶著個才可以繼續
    },
    data={
        "isValidate": True,
        ‘username‘: ‘15131255089‘,
        ‘password‘: ‘ab18d270d7126ea65915c50288c22c0d‘,    # 直接發密文了
        ‘request_form_verifyCode‘: ‘‘,
        ‘submit‘: ‘‘
    },
    cookies=r1.cookies.get_dict()
)
print(r2.text)

自動登陸GitHub

scrf_token 的驗證

""""""
# ################################### 示例三：自動登錄GitHub ###################################
# 1. GET，訪問登錄頁面
"""
- 去HTML中找隱藏的Input標簽獲取csrf token
- 獲取cookie
"""

# 2. POST，用戶名和密碼
"""
- 發送數據：
    - csrf
    - 用戶名
    - 密碼
- 攜帶cookie
"""

# 3. GET,訪問https://github.com/settings/emails
"""
- 攜帶 cookie
"""

import requests
from bs4 import BeautifulSoup

# ##########################################################

#  訪問登陸頁面，獲取 authenticity_token
i1 = requests.get(
    url=‘https://github.com/login‘
    )
soup1 = BeautifulSoup(i1.text, features=‘lxml‘)
tag = soup1.find(name=‘input‘, attrs={‘name‘: ‘authenticity_token‘})
authenticity_token = tag.get(‘value‘) # authenticity_token 拿到
c1 = i1.cookies.get_dict()
i1.close()

#  攜帶authenticity_token和用戶名密碼等信息，發送用戶驗證
form_data = {
"authenticity_token": authenticity_token, # 放在請求體中發過去
    "utf8": "",
    "commit": "Sign in",
    "login": "",
    ‘password‘: ‘‘
}

i2 = requests.post(
    url=‘https://github.com/session‘, 
    data=form_data, 
    cookies=c1
    )
c2 = i2.cookies.get_dict()
c1.update(c2) # 將兩次的 cookie 整合一起
i3 = requests.get(‘https://github.com/settings/repositories‘, cookies=c1)

soup3 = BeautifulSoup(i3.text, features=‘lxml‘)
list_group = soup3.find(name=‘div‘, class_=‘listgroup‘)

from bs4.element import Tag

for child in list_group.children:
    if isinstance(child, Tag):
        project_tag = child.find(name=‘a‘, class_=‘mr-1‘)
        size_tag = child.find(name=‘small‘)
        temp = "項目:%s(%s); 項目路徑:%s" % (project_tag.get(‘href‘), size_tag.string, project_tag.string, )
        print(temp)

總結

請求頭：

user-agent
referer
host
cookie

特殊請起頭，查看上一次請求獲取內容。

‘X-Anit-Forge-Code‘:...
‘X-Anit-Forge-Token‘:...

請求體：

- 原始數據
- 原始數據 + token
- 密文
　　- 找算法 
　　- 使用密文

套路：

- post登錄獲取cookie，以後攜帶cookie 
- get獲取未授權cookie，post登錄攜帶cookie去授權，以後攜帶cookie

爬蟲，基於request，bs4 的簡單實例整合