04 requests 高级(cookie,代理,验证码识别)

requests 高级

  • cookie
  • 代理机制
  • 验证码的识别
  • 模拟登录

1. cookie介绍

  • cookie:
    • 是存储在客户端的一组键值对。
    • web中cookie的典型应用:
      • 免密登录
    • cookie和爬虫之间的关联
      • 有时候,对一张页面进行请求的时候,如果请求的过程中不携带cookie的话,那么我们是无法请求到正确的页面数据。因此cookie是爬虫中一个非常典型且常见的反爬机制。
  • 需求:爬取雪球网中的咨询信息。https://xueqiu.com/
  • 分析:
    • 1.判定爬取的咨询数据是否为动态加载的
      • 相关的更多咨询数据是动态加载的,滚轮滑动到底部的时候会动态加载出更多咨询数据。
    • 2.定位到ajax请求的数据包,提取出请求的url,响应数据为json形式的咨询数据
headers = {
    ‘User-Agent‘:‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36‘
}
url = ‘https://xueqiu.com/statuses/hot/listV2.json?since_id=-1&max_id=256028&size=15‘
page_text = requests.get(url=url,headers=headers).json()
page_text

注意:上述代码后会出现获取不到动态ajax动态加载的数据,因为该网站需要携带cookie发起请求,才能获得动态加载的数据。cookie是从服务端开始的,需要看服务端编写规则。这也是一种反爬机制。

  • 上述代码问题:没有请求到我们想要的数据

  • 原因:没有严格意义上模拟浏览器发请求

    • 处理:可以将浏览器发请求携带的请求头(有很多,不是只有cookie,cookie只是优先考虑),全部粘贴在headers字典中,将headers作用到requests的请求操作中即可。
  • 一般我们会先添加cookie到请求头中

  • cookie的处理方式

    • 方式一:手动处理
      • 将抓包工具中的cookie粘贴在headers中
      • 弊端:cookie如果过了有效时长可能会失效
    • 方式二:自动处理
      • 基于Session对象实现自动处理
      • 如何过去一个Session对象:requests.Session()返回一个session对象。
      • session对象的作用:
        • 该对象可以向requests一样调用get和post发起指定的请求。只不过如果在使用session发请求的过程中如果产生了cookie,则cookie会被自动存储到该session对象中,那么就意味着下次再次使用session对象发起请求,则该次请求就是携带cookie进行的请求发送。
      • 在爬虫中使用session的时候,session对象至少会被使用几次?
        • 两次。第一次使用session是为了将cookie捕获且存储到session对象中。下次的时候就是携带cookie进行的请求发送。
# 自动处理cookie 方式
session = requests.Session()
main_url = ‘https://xueqiu.com/‘
session.get(main_url,headers=headers)#捕获且存储cookie

url = ‘https://xueqiu.com/statuses/hot/listV2.json?since_id=-1&max_id=256028&size=15‘
page_text = session.get(url=url,headers=headers).json() #携带cookie发起的请求
page_text

注意:通过Session获取cookie时,不一定访问首页后Session就会携带cookie,cookie可能出现在其他子页面上,需要去不断测试寻找,因此 在实操的时候更多采用方式一手动添加cookie,虽然会有时效,但是时间一般不会太短5-10分组,时间足够。

2. 代理

  • 代理操作
    • 在爬虫中,所谓的代理指的是什么?
      • 就是代理服务器
    • 代理服务器的作用是什么?
      • 就是用来转发请求和响应。
# 没有代理的时候
	客户端 --->  服务端
# 有代理的时候
	客户端 --->代理--->  服务端
  • 代理操作
    • 在爬虫中,所谓的代理指的是什么?
      • 就是代理服务器
    • 代理服务器的作用是什么?
      • 就是用来转发请求和响应。
    • 在爬虫中为什么需要使用代理服务器?
      • 如果我们的爬虫在短时间内对服务器发起了高频的请求,那么服务器会检测到这样的一个异常的行为请求,就会将该请求对应设备的ip禁掉,就以为这client设备无法对服务器端再次进行请求发送。(ip被禁掉了)
      • 如果ip被禁,我们就可以使用代理服务器进行请求转发,破解ip被禁的反爬机制。因为使用代理后,服务器端接受到的请求对应的ip地址就是代理服务器而不是我们真正的客户端的。
    • 代理服务器分为不同的匿名度:
      • 透明代理:如果使用了该形式的代理,服务器端知道你使用了代理机制也知道你的真实ip。
      • 匿名代理:知道你使用代理,但是不知道你的真实ip
      • 高匿代理:不知道你使用了代理也不知道你的真实ip
    • 代理的类型
      • https:代理只能转发https协议的请求
      • http:转发http的请求
    • 代理服务器:

注意: 说明一下,这里的三种代理服务器都能用,并不是说透明代理不能使用,我们的目的只是在网站封了我们的ip之后,我们可以通过代理服务器去再次访问这个网站,所以服务器不管知不知道本身ip,都能访问网站。同理高匿代理也不是说明事情都能干,虽然服务端不知道你的ip,但是做了违法的事情只需要找到代理商同样可以找到自身ip。代理会有转发效率问题

# 首先使用获取快代理中的数据(没有被禁掉ip之前,也会出现部分数据获取不到的问题,使用代理之后都能获取到),让网站禁掉我的ip, 然后再使用自己购买的ip进行重新爬取。
	# 先构建代理池,然后随机获取代理发起请求

#代理池对应的代码
url = ‘http://t.ipjldl.com/index.php/api/entry?method=proxyServer.generate_api_url&packid=1&fa=0&fetch_key=&groupid=0&qty=28&time=1&pro=&city=&port=1&format=html&ss=5&css=&dt=1&specialTxt=3&specialJson=&usertype=2‘     # 这时有代理的网站
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
proxy_list = tree.xpath(‘//body//text()‘)
http_proxy = [] #代理池

for proxy in proxy_list:
    dic = {
        ‘https‘:proxy
    }
    http_proxy.append(dic)
print(http_proxy)
#url模板
url = ‘https://www.kuaidaili.com/free/inha/%d/‘
ips = []
for page in range(1,11):
    new_url = format(url%page)
    #让当次的请求使用代理机制,就可以更换请求的ip地址
    page_text = requests.get(url=new_url,headers=headers,proxies=random.choice(http_proxy)).text
    tree = etree.HTML(page_text)
    #在xpath表达式中不可以出现tbody标签
    tr_list = tree.xpath(‘//*[@id="list"]/table//tr‘)[1:]
    print(len(tr_list))
    for tr in tr_list:
        ip = tr.xpath(‘./td[1]/text()‘)
        ips.append(ip)
print(len(ips))

3. 简单模拟登录

  • 使用超级鹰(注册--购买积分--下载代码--查看使用说明--调用就行)
#!/usr/bin/env python
# coding:utf-8

"""超级鹰代码"""
import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode(‘utf8‘)
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            ‘user‘: self.username,
            ‘pass2‘: self.password,
            ‘softid‘: self.soft_id,
        }
        self.headers = {
            ‘Connection‘: ‘Keep-Alive‘,
            ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)‘,
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            ‘codetype‘: codetype,
        }
        params.update(self.base_params)
        files = {‘userfile‘: (‘ccc.jpg‘, im)}
        r = requests.post(‘http://upload.chaojiying.net/Upload/Processing.php‘, data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            ‘id‘: im_id,
        }
        params.update(self.base_params)
        r = requests.post(‘http://upload.chaojiying.net/Upload/ReportError.php‘, data=params, headers=self.headers)
        return r.json()
	
"""调用该函数对图片进行识别, 图片必须是下载到本地的"""
def tranformImgCode(imgPath,imgType):
    chaojiying = Chaojiying_Client(‘xxx‘, ‘xxx‘, ‘xxx‘)   # xxx 是自己的用户名 具体下载下来的压缩包有说明。。。
    im = open(imgPath, ‘rb‘).read()
    return chaojiying.PostPic(im,imgType)[‘pic_str‘]

tranformImgCode("./a.jpg", 1902)       # 1902 是图片类型

4. 综合案例

session = requests.Session()

#识别验证码
url = ‘https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx‘
page_text = session.get(url=url,headers=headers).text
#解析验证码图片的地址
tree = etree.HTML(page_text)
img_src = ‘https://so.gushiwen.org‘+tree.xpath(‘//*[@id="imgCode"]/@src‘)[0]
#将验证码图片保存到本地
img_data = session.get(img_src,headers=headers).content

# 处理参数中动态的乱序的key
tree = etree.HTML(page_text)
viewstate_value = tree.xpath(‘//*[@id="__VIEWSTATE"]/@value‘)[0]
viewstate_value = str(viewstate_value)
print(viewstate_value, type(viewstate_value))

with open(‘./code.jpg‘,‘wb‘) as fp:
    fp.write(img_data)

#识别验证码
code_text = tranformImgCode(‘./code.jpg‘,1902)
print(code_text)
login_url =‘https://so.gushiwen.cn/user/login.aspx?from=http%3a%2f%2fso.gushiwen.cn%2fuser%2fcollect.aspx‘
data = {
    ‘__VIEWSTATE‘: viewstate_value,
    ‘__VIEWSTATEGENERATOR‘: ‘C93BE1AE‘,
    ‘from‘: ‘http://so.gushiwen.cn/user/collect.aspx‘,
    ‘email‘: ‘19126193936‘,
    ‘pwd‘: ‘leo521221‘,
    ‘code‘: code_text,#动态变化
    ‘denglu‘: ‘登录‘,
}
print(data)
#对点击登录按钮发起请求:获取了登录成功后对应的页面源码数据
page_text_login = session.post(url=login_url,headers=headers,data=data).text

with open(‘./gushiwen.html‘,‘w‘,encoding=‘utf-8‘) as fp:
    fp.write(page_text_login)

04 requests 高级(cookie,代理,验证码识别)

上一篇:父组件传子组件


下一篇:阿里云ECS,Centos8磁盘扩容遇到的问题[错误信息:it cannot be grown]