requests模块session处理cookie 与基于线程池的数据爬取

2022-11-18 11:19:23

引入

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)

一:  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服务端与客户端之间的状态保存, 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': '',

        'icode': '',

        'origURL': 'http://www.renren.com/home',

        'domain': 'renren.com',

        'key_id': '',

        '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)

二.  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

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

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()
上一篇：Django笔记 —— 模型高级进阶


下一篇：poj -- 1042 Gone Fishing(枚举+贪心)