python爬蟲系列之初識爬蟲

Python · 發表 2019-04-06 00:12:00

摘要：前言我們這裡主要是利用requests模組和bs4模組進行簡單的爬蟲的講解，讓大家可以對爬蟲有了初步的認識，我們通過爬幾個簡單網站，讓大家循序漸進的掌握爬蟲的基礎知識，做網路爬蟲還是需要基本的前端的知識的，下面我們進行我們的爬蟲講解在進行實戰之前，我們先給大家看下爬蟲的一般討論，方...

前言

我們這裡主要是利用requests模組和bs4模組進行簡單的爬蟲的講解，讓大家可以對爬蟲有了初步的認識，我們通過爬幾個簡單網站，讓大家循序漸進的掌握爬蟲的基礎知識，做網路爬蟲還是需要基本的前端的知識的，下面我們進行我們的爬蟲講解

在進行實戰之前，我們先給大家看下爬蟲的一般討論，方便大家看懂下面的例項

一、爬汽車之家

汽車之家這個網站沒有做任何的防爬蟲的限制，所以最適合我們來練手

1、匯入我們要用到的模組

import requests
from bs4 import BeautifulSoup

2、利用requests模組偽造瀏覽器請求

# 通過程式碼偽造瀏覽器請求
res = requests.get("https://www.autohome.com.cn/news/")

3、設定解碼的方式，python是utf-8，但是汽車之家是用gbk編碼的，所以這裡要設定一下解碼的方式

# 設定解碼的方式
res.encoding = "gbk"

4、把請求返回的物件，傳遞一個bs4模組，生成一個BeautifulSoup物件

soup = BeautifulSoup(res.text,"html.parser")

5、這樣，我們就可以使用BeautifulSoup給我們提供的方法，如下是查詢一個div標籤，且這個div標籤的id屬性為auto-channel-lazyload-atricle

# find是找到相匹配的第一個標籤
div = soup.find(name="div",attrs={"id":"auto-channel-lazyload-article"})
# 這個div是一個標籤物件

6、findall方法，是超找符合條件的所有的標籤，下面是在步驟5的div標籤內查詢所有的li標籤

li_list = div.find_all(name="li")

7、查詢li標籤中的不同條件的標籤

li_list = div.find_all(name="li")
for li in li_list:
title = li.find(name="h3")
neirong = li.find(name="p")
href = li.find(name="a")
img = li.find(name="img")
if not title:
continue

8、獲取標籤的屬性

# print(title, title.text, sep="標題-->")
# print(neirong, neirong.text, sep="內容-->")
# print(href, href.attrs["href"], sep="超連結-->")

# 獲取標籤對接的屬性
# print(img.attrs["src"])
# ret = requests.get(img_src)

9、如果我們下載一個檔案，則需要requests.get這個檔案，然後呼叫這個檔案物件的content方法

src = img.get("src")
img_src = src.lstrip("/")
file_name = img_src.split("/")[-1]
img_src = "://".join(["https",img_src])
print(file_name)
ret = requests.get(img_src)
with open(file_name,"wb") as f:
f.write(ret.content)

10、整體的程式碼如下

二、爬抽屜

這裡我們看下如何爬抽屜

1、首先抽屜有做防爬蟲的機制，我們在訪問的時候必須要加一個請求頭

# 例項1：爬取資料，這個網址有做防爬蟲機制，所以需要帶一個請求頭資訊，才能讓服務端以為我們是瀏覽器，不然服務端會把我們的請求當做爬蟲行為進行攔截
# 設定一個請求頭
chouti = requests.get(url="https://dig.chouti.com/",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
})

2、這個請求網站會返回一個cookies，通過下面的方法獲取cookies

print(chouti.cookies.get_dict())
# {'gpsd': 'ab141f7a741144216429b6e901da5f34', 'JSESSIONID': 'aaaNxWlWjLLKU9CGXDyNw'}

3、轉換頁面為一個BeautifulSoup物件

# 將頁面轉換成一個BeautifulSoup的物件，就可以使用BeautifulSoup的方法了
soup = BeautifulSoup(chouti.text,"html.parser")

news_list = soup.find_all(name="div",attrs={"class":"item"})

for news in news_list:
compont = news.find(name="div",attrs={"class":"part2"})

print(compont.get("share-title"))

4、下面我們看下如何登陸抽屜

首先我們先通過get方式訪問主頁

# 1、先檢視首頁
r1 = requests.get(url="https://dig.chouti.com/",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
})

然後我們通過post方式進行登陸，

# 2、提交使用者名稱和密碼進行登陸

r2 = requests.post(url="https://dig.chouti.com/login",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
},
data={
"phone":"86139252938822",
"password":"admin",
"oneMonth":1
},
cookies=r1.cookies.get_dict()
)

最後登陸成功後，我們來實現一個點讚的操作，這裡要注意

# 第二次登陸的時候把第一次返回的cookies帶上，這個是抽屜這個網站的套路，同樣這次登陸也會返回一個cookies，但是登陸這次返回的cookies其實是個迷惑我們的cookies，沒有用
# print(r2.text)
# 登陸失敗返回的資訊：{"result":{"code":"21101", "message":"手機號或密碼錯誤", "data":{}}}
# 登陸成功返回的資訊：{"result":{"code":"9999", "message":"", "data":{"complateReg":"0","destJid":"cdu_53218132468"}}}

# 如果登陸成功，通過下面的方法就可以把服務端返回的cookies拿到，以後在發請求，帶著cookies去就可以了
print(r2.cookies.get_dict())
# {'puid': 'b11ec95d3b515ae2677a01f6abd5b916', 'gpid': '01cff9a184bd427789429d1dd556f4d2'}

r3 = requests.post(url="https://dig.chouti.com/link/vote?linksId=25461201",
headers={
"user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
},
# cookies=r2.cookies.get_dict(),
cookies=r1.cookies.get_dict(),
# 破解抽屜coookies套路
)
# 這次點贊，我們同樣帶的cookies是第一次登陸主頁返回的cookies，而不是登陸成功後返回的cookies
# print(r3.text)

爬抽屜所有的程式碼如下

# 例項1：爬取資料，這個網址有做防爬蟲機制，所以需要帶一個請求頭資訊，才能讓服務端以為我們是瀏覽器，不然服務端會把我們的請求當做爬蟲行為進行攔截

# 設定一個請求頭
chouti = requests.get(url="https://dig.chouti.com/",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
})

# print(chouti.text)

print(chouti.cookies.get_dict())
# {'gpsd': 'ab141f7a741144216429b6e901da5f34', 'JSESSIONID': 'aaaNxWlWjLLKU9CGXDyNw'}

# 將頁面轉換成一個BeautifulSoup的物件，就可以使用BeautifulSoup的方法了
soup = BeautifulSoup(chouti.text,"html.parser")

news_list = soup.find_all(name="div",attrs={"class":"item"})

for news in news_list:
compont = news.find(name="div",attrs={"class":"part2"})

print(compont.get("share-title"))



# 1、先檢視首頁
r1 = requests.get(url="https://dig.chouti.com/",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
})

# r1.cookies.get_dict()，第一次訪問主頁，服務端就給返回了一個cookies

# 2、提交使用者名稱和密碼進行登陸

r2 = requests.post(url="https://dig.chouti.com/login",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
},
data={
"phone":"8613925293887",
"password":"admin123.",
"oneMonth":1
},
cookies=r1.cookies.get_dict()
)


# 第二次登陸的時候把第一次返回的cookies帶上，這個是抽屜這個網站的套路，同樣這次登陸也會返回一個cookies，但是登陸這次返回的cookies其實是個迷惑我們的cookies，沒有用
# print(r2.text)
# 登陸失敗返回的資訊：{"result":{"code":"21101", "message":"手機號或密碼錯誤", "data":{}}}
# 登陸成功返回的資訊：{"result":{"code":"9999", "message":"", "data":{"complateReg":"0","destJid":"cdu_53218132468"}}}

# 如果登陸成功，通過下面的方法就可以把服務端返回的cookies拿到，以後在發請求，帶著cookies去就可以了
print(r2.cookies.get_dict())
# {'puid': 'b11ec95d3b515ae2677a01f6abd5b916', 'gpid': '01cff9a184bd427789429d1dd556f4d2'}

r3 = requests.post(url="https://dig.chouti.com/link/vote?linksId=25461201",
headers={
"user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
},
# cookies=r2.cookies.get_dict(),
cookies=r1.cookies.get_dict(),
# 破解抽屜coookies套路
)
# 這次點贊，我們同樣帶的cookies是第一次登陸主頁返回的cookies，而不是登陸成功後返回的cookies
# print(r3.text)

三、爬github

github的登陸是form表單做的，所以我們在登陸github的時候需要把cookies和crsf_token都帶上

1、訪問github的首頁

# 1、GET，訪問登陸頁面

r1 = requests.get(url="https://github.com/",
headers={
"user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
}
)
# print(r1.cookies.get_dict())

2、訪問登陸頁面，需要在隱藏的input標籤中找到token，然後獲取到

r2 = requests.get(url="https://github.com/login",
headers={
"user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
}
)

login_obj = BeautifulSoup(r2.text,"html.parser")

token = login_obj.find(name="form",attrs={"action":"/session"}).find(name="input",attrs={"name":"authenticity_token"}).get("value")

3、post方式訪問登陸頁面，攜帶上使用者名稱和密碼，token和cookies

# 2、傳送post請求，傳送使用者名稱和密碼，傳送的資料要不僅有使用者名稱和密碼，還要帶上csrf token和cookie，瀏覽器發什麼，我們就發什麼
r3 = requests.post(url="https://github.com/session",
headers={
"user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
},
data={
"login":"admin",
"password":"admin",
"authenticity_token":token
},
cookies=r2.cookies.get_dict()
)

4、以後就可以攜帶r3這個請求訪問的cookies進行登陸github後的操作了

obj = BeautifulSoup(r3.text,"html.parser")

# print(obj.find_all(name="img",attrs={"alt":"@admin"}))

# 3、傳送get請求，訪問這個路徑：https://github.com/settings/profile

r4 = requests.get(url="https://github.com/settings/profile",
cookies=r3.cookies.get_dict()
)

print(r4.text)

爬github的所有的程式碼如下

四、爬拉鉤網

最後我們來爬一下拉勾網

1、首先get方式訪問拉勾網的首頁

import requests
from bs4 import BeautifulSoup

# 如果遇到登陸的密碼被加密了有兩種解決辦法
# 1、獲取他的加密方式，然後手動破解
# 2、直接抓包把加密後的資料發過去就可以了

# 1、訪問登陸頁面
l1 = requests.get(url="https://passport.lagou.com/login/login.html",
headers={
"user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
})

# print(l1.text)

2、登陸拉鉤網，他的請求頭稍微有點特殊