python爬取知网,Python爬取知乎与我所理解的爬虫

2019-10-20 22:56 来源:未知

如今在演练写爬虫的时候,正巧同学的女对象有必要,大致是爬取知网内的几千个宗旨的数目,每二个主旨的条数记录有几条的到几千条的比不上,总来的来讲也总算个上万多少级的爬虫了,分析了下知网,开采选取职业检索,能够成功自己的对象,然后通过chrome的developer tools大致剖析了下了乞求数据包,挖掘知网的询问是分成两步的,第一步是三个总的央浼(查询的标准基本上都在第一步里面了),会再次来到三个串

天涯论坛已经变为了爬虫的体育场,本文利用Python中的requests库,模拟登录天涯论坛,获取cookie,保存到本地,然后那么些cookie作为登入的凭据,登录微博的主页面,爬取新浪主页面上的主题材料和呼应难题回答的摘要。

至于天涯论坛验证码登入的主题素材,用到了Python上一个重要的图片管理库PIL,假诺不行,就把图纸存到本地,手动输入。

图片 1

爬取和讯的首要的局地:模拟登录

透过对微博登入是的抓包,能够窥见登陆博客园,必要post多个参数,三个是账号,叁个是密码,叁个是xrsf。
这几个xrsf隐敝在表单里面,每回登录的时候,应该是服务器随机发生三个字符串。全部,要效仿登录的时候,须要求获得xrsf。

用chrome (恐怕火狐 httpfox 抓包深入分析)的结果:

image.png

据此,须要求获得xsrf的数值,注意那是多个动态变化的参数,每一趟都不均等。

image.png

注意findall和find_all函数的不相同。

获得xsrf,上面就足以效仿登入了。
选择requests库的session对象,营造贰个会话的好处是,可以把同二个客商的例外诉求联系起来,直到会话停止都会自动管理cookies。

image.png

潜心:cookies 是当前目录的贰个文本,这么些文件保留了新浪的cookie,假若是首先个登录,那么自然是没有这么些文件的,不可能经过cookie文件来登入。必得求输入密码。

def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass

那是登入的函数,通过login函数来登录,post 自个儿的账号,密码和xrsf 到网易登陆认证的页面上去,然后拿走cookie,将cookie保存到当前目录下的文书之中。后一次登录的时候,直接读取那些cookie文件。

#LWP-Cookies-2.0
Set-Cookie3: cap_id=""YWJkNTkxYzhiMGYwNDU2OGI4NDUxN2FlNzBmY2NlMTY=|1487052577|4aacd7a27b11a852e637262bb251d79c6cf4c8dc""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: l_cap_id=""OGFmYTk3ZDA3YmJmNDQ4YThiNjFlZjU3NzQ5NjZjMTA=|1487052577|0f66a8f8d485bc85e500a121587780c7c8766faf""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: login=""NmYxMmU0NWJmN2JlNDY2NGFhYzZiYWIxMzE5ZTZiMzU=|1487052597|a57652ef6e0bbbc9c4df0a8a0a59b559d4e20456""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; version=0
Set-Cookie3: q_c1="ee29042649aa4f87969ed193acb6cb83|1487052577000|1487052577000"; path="/"; domain=".zhihu.com"; path_spec; expires="2020-02-14 06:09:37Z"; version=0
Set-Cookie3: z_c0=""QUFCQTFCOGdBQUFYQUFBQVlRSlZUVFVzeWxoZzlNbTYtNkt0Qk1NV0JLUHZBV0N6NlNNQmZ3PT0=|1487052597|dcf272463c56dd6578d89e3ba543d46b44a22f68""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; httponly=None; version=0

那是cookie文件的剧情

以下是源码:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import requests
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
import time
import os.path
try:
    from PIL import Image
except:
    pass

from bs4 import BeautifulSoup


# 构造 Request headers
agent = 'Mozilla/5.0 (Windows NT 5.1; rv:33.0) Gecko/20100101 Firefox/33.0'
headers = {
    "Host": "www.zhihu.com",
    "Referer": "https://www.zhihu.com/",
    'User-Agent': agent
}

# 使用登录cookie信息
session = requests.session()
session.cookies = cookielib.LWPCookieJar(filename='cookies')
try:
    session.cookies.load(ignore_discard=True)
except:
    print("Cookie 未能加载")



def get_xsrf():
    '''_xsrf 是一个动态变化的参数'''
    index_url = 'https://www.zhihu.com'
    # 获取登录时需要用到的_xsrf
    index_page = session.get(index_url, headers=headers)
    html = index_page.text
    pattern = r'name="_xsrf" value="(.*?)"'
    # 这里的_xsrf 返回的是一个list
    _xsrf = re.findall(pattern, html)
    return _xsrf[0]





# 获取验证码
def get_captcha():
    t = str(int(time.time() * 1000))
    captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
    r = session.get(captcha_url, headers=headers)
    with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
        f.close()
    # 用pillow 的 Image 显示验证码
    # 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
    try:
        im = Image.open('captcha.jpg')
        im.show()
        im.close()
    except:
        print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
    captcha = input("please input the captchan>")
    return captcha





def isLogin():
    # 通过查看用户个人信息来判断是否已经登录
    url = "https://www.zhihu.com/settings/profile"
    login_code = session.get(url, headers=headers, allow_redirects=False).status_code
    if login_code == 200:
        return True
    else:
        return False


def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass



## 將main的問題列表輸出在shell上面
def  getPageQuestion(url2):  
  mainpage = session.get(url2, headers=headers)
  soup=BeautifulSoup(mainpage.text,'html.parser')
  tags=soup.find_all("a",class_="question_link")
  #print tags

  for tag in tags:
    print tag.string

# 將main頁面上面的問題的回答的摘要輸出在shell上面
def getPageAnswerAbstract(url2):
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='zh-summary summary clearfix')

    for tag in tags:
       # print tag
        print tag.get_text()
        print '詳細內容的鏈接 : ',tag.find('a').get('href')


def getPageALL(url2):
    #mainpage=session.get(url2,headers=headers)
    #soup=BeautifulSoup(mainpage.text,'html.parser')
    #tags=soup.find_all('div',class_='feed-item-inner')
    #print "def getpageall "
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='feed-content')
    for tag in tags:
        #print tag
        print tag.find('a',class_='question_link').get_text()
        # 這裏有一點問題 bs 還是用的不是太熟練
        #print tag.find('a',class_='zh-summary summary clearfix').get_text()
        #print tag.find('div',class_='zh-summary summary clearfix').get_text()


if __name__ == '__main__':
    if isLogin():
        print('您已经登录')
        url2='https://www.zhihu.com'
        # getPageQuestion(url2)
        #getPageAnswerAbstract(url2)
        getPageALL(url2)
    else:
        account = input('请输入你的用户名n>  ')
        secret = input("请输入你的密码n>  ")
        login(secret, account)

运作结果:

image.png

接下来本领做第二步的数目恳求(下方的截图对应网页上的不及区域的央求报文头和重临数据)

git链接:

https://github.com/zhaozhengcoder/Spider/tree/master/spider_zhihu

图片 2

PPS:我所精晓的爬虫与反爬虫计谋

反爬虫最中央的宗旨:

  1. 自己钻探浏览器http央求里面包车型地铁user-agent字段
  2. 自己商量http央求的referer(即当前的这些页面是从哪个页面跳转过来的)

爬虫攻略:
那八个都是在http左券的报文段的自己斟酌,相同爬虫端能够很方便的装置那几个字段的值,来诈骗服务器。

反爬虫进级计策:
1.像腾讯网一样,在登入的表单里面归入三个隐蔽字段,里面会有三个Infiniti制数,每一次都不同,那样除非您的爬虫脚本能够解析那几个自由数,不然下一次爬的时候就老大了。
2.记录拜谒的ip,总结访谈次数,假若次数太高,能够感到那一个ip有标题。

爬虫进级攻略:
1.像那篇小说提到的,爬虫也得以先剖判一下遮盖字段的值,然后再张开效仿登入。
2.爬虫能够选取ip代理池的主意,来幸免被开采。同一时候,也足以爬一会安歇一会的章程来下滑功用。别的,服务器依据ip访谈次数来进展反爬,再ipv6未有完善推广的后生可畏世,这个主旨会比较轻便导致损害。(那几个是自个儿个人的通晓)。

反爬虫进进阶计谋:
1.多少投毒,服务器在温馨的页面上停放非常多隐形的url,这几个url存在于html文件文件之中,不过通过css也许js使她们不会被出示在客商看见的页面下边。(确认保证客户点击不到)。那么,爬虫在爬取网页的时候,很用可能取访谈那几个url,服务器能够百分之百的以为那是爬虫干的,然后能够回来给他有的漏洞百出的数目,恐怕是拒绝响应。

爬虫进进级战略:
1.少年老成一网址固然要求反爬虫,但是不可以把百度,谷歌(Google)那样的追寻引擎的爬虫给干了(干了的话,你的网址在百度都说搜不到!)。那样爬虫应该就足以伪造是百度的爬虫去爬。(可是ip恐怕大概被搜查捕获,因为你的ip并不是百度的ip)

反爬虫进进进级战略:
给个验证码,让你输入未来工夫登入,登入之后,技巧访谈。

爬虫进进进级计谋:
图像识别,机器学习,识别验证码。可是那些应该比较难,或许说费用相比高。

参照他事他说加以考察资料:
廖雪峰的python教程
静觅的python教程
requests库官方文书档案
segmentfault下边有一个人的有关果壳网爬虫的博客,找不到链接了

                                                                       图风姿罗曼蒂克.询问记录央求报文头

图片 3

                                                                        图二. 对应差别年份的记录条数再次回到结果

有关为啥要分成两步,每二个区域对应四个两样的乞请,这一个都是网址自个儿的规划,笔者也没做过web开拓,这么做有啥样优点作者实在不了解/擦汗,小编的显要正是效仿它在网页上的央求,达成批量化的数据获得。

 

然后,大约就摸清楚了那三个数量获得的经过,笔者的思绪是先成功三个数目级的多寡得到,也正是爬取一条,然后再去扩大,加线程,加ip代理,加user_agent等等。

在此个等第,主要的笔触正是大半要和在网页上的拜谒保持郁郁苍苍致,保险本身拼的url和在网页上访问的时候是如出后生可畏辙的,当然是在承接保险能访谈的前提下,能略去的就略去。

深入分析它原来的呼吁url的时候,使用url转码工具得以将转码以往的url还原,更加直白地解析。

下一场提多少个细节呢,知网的伸手url上,有部分多少段郁郁苍苍最初是不知晓它的含义的,不过本身去拼接待上访谈的时候发掘,缺了网址就能报错,那时候就足以多尝试多少个不等的走访,去拿它的伸手heads,然后互绝比较,就能发觉有个别字段是原则性不改变的,这种就能够直接照搬,有的吧,是生成的,这种就要求精心去剖判到底是怎么着数据,有哪些意思,知网的就归纳一个飞秒数,那一个自家一同首就没懂具体意思,后来深入分析了下感觉像时光,然后去取了下当前的阿秒时间,生气勃勃比较开掘大致是大半,就当前的微秒时间拼在了url串上边。

def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)

假设您要求叁个佳绩的读书交换条件,那么你能够虚构Python学习交换群:548377875; 要是您须要生龙活虎份系统的求学资料,那么你能够思虑Python学习调换群:548377875。

同理可得,便是对于有些懂web的爬虫小白,最棒正是还原网址原来的恳求,那样基本上央浼数据就不会有太大主题材料了。

在成功了数码级为百废俱兴的品级后,就从头筹划大范围地获取数据了,那时候就要思念效能以致防卫网址踢人了。

在碰到了种种socket 10054 10061等不当,通过百度种种工夫,加上了ip代理等片段措施,最终小编只怕完结这一次职务,当然最终依旧增进了文件读取,任务队列等模块,大约就是一个线程专责输出文件,另外七个线程去职分池里面取任务爬数据,详细略过,见代码。有错误疏失之处,还请斧正。

TAG标签:
版权声明:本文由金沙澳门唯一官网发布于编程教学,转载请注明出处:python爬取知网,Python爬取知乎与我所理解的爬虫