博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
爬虫(3)
阅读量:2245 次
发布时间:2019-05-09

本文共 13117 字,大约阅读时间需要 43 分钟。

一、模拟登录案例(识别验证码)

1、打码平台 - 云打码:www.yundama.com

  使用步骤:

    - 注册两个账户,普通用户和开发者用户;

    - 登录

      普通用户查看余额;

      登录开发者用户;

        创建一个软件:我的软件 -> 创建软件;

        下载示例代码:开发者中心 -> 下载最新云打码DLL -> PythonHTTP示例下载

    - 下载后解压缩,如下:

import http.client, mimetypes, urllib, json, time, requests######################################################################class YDMHttp:    apiurl = 'http://api.yundama.com/api.php'    username = ''    password = ''    appid = ''    appkey = ''    def __init__(self, username, password, appid, appkey):        self.username = username          self.password = password        self.appid = str(appid)        self.appkey = appkey    def request(self, fields, files=[]):        response = self.post_url(self.apiurl, fields, files)        response = json.loads(response)        return response        def balance(self):        data = {
'method': 'balance', 'username': self.username, 'password': self.password, 'appid': self.appid, 'appkey': self.appkey} response = self.request(data) if (response): if (response['ret'] and response['ret'] < 0): return response['ret'] else: return response['balance'] else: return -9001 def login(self): data = {
'method': 'login', 'username': self.username, 'password': self.password, 'appid': self.appid, 'appkey': self.appkey} response = self.request(data) if (response): if (response['ret'] and response['ret'] < 0): return response['ret'] else: return response['uid'] else: return -9001 def upload(self, filename, codetype, timeout): data = {
'method': 'upload', 'username': self.username, 'password': self.password, 'appid': self.appid, 'appkey': self.appkey, 'codetype': str(codetype), 'timeout': str(timeout)} file = {
'file': filename} response = self.request(data, file) if (response): if (response['ret'] and response['ret'] < 0): return response['ret'] else: return response['cid'] else: return -9001 def result(self, cid): data = {
'method': 'result', 'username': self.username, 'password': self.password, 'appid': self.appid, 'appkey': self.appkey, 'cid': str(cid)} response = self.request(data) return response and response['text'] or '' def decode(self, filename, codetype, timeout): cid = self.upload(filename, codetype, timeout) if (cid > 0): for i in range(0, timeout): result = self.result(cid) if (result != ''): return cid, result else: time.sleep(1) return -3003, '' else: return cid, '' def report(self, cid): data = {
'method': 'report', 'username': self.username, 'password': self.password, 'appid': self.appid, 'appkey': self.appkey, 'cid': str(cid), 'flag': '0'} response = self.request(data) if (response): return response['ret'] else: return -9001 def post_url(self, url, fields, files=[]): for key in files: files[key] = open(files[key], 'rb'); res = requests.post(url, files=files, data=fields) return res.text####################################################################### 用户名username = 'username'# 密码password = 'password' # 软件ID,开发者分成必要参数。登录开发者后台【我的软件】获得!appid = 1 # 软件密钥,开发者分成必要参数。登录开发者后台【我的软件】获得!appkey = '22cc5376925e9387a23cf797cb9ba745' # 图片文件filename = 'getimage.jpg' # 验证码类型,# 例:1004表示4位字母数字,不同类型收费不同。请准确填写,否则影响识别率。在此查询所有类型 http://www.yundama.com/price.htmlcodetype = 1004# 超时时间,秒timeout = 60 # 检查if (username == 'username'): print('请设置好相关参数再测试')else: # 初始化 yundama = YDMHttp(username, password, appid, appkey) # 登陆云打码 uid = yundama.login(); print('uid: %s' % uid) # 查询余额 balance = yundama.balance(); print('balance: %s' % balance) # 开始识别,图片路径,验证码类型ID,超时时间(秒),识别结果 cid, result = yundama.decode(filename, codetype, timeout); print('cid: %s, result: %s' % (cid, result))######################################################################
YDMHTTPDemo3.x.py 内容
2、案例一:模拟登录人人网,爬取个人中心页面数据
def getCodeData(username, pwd, codePath, codeType):    username = username     # 用户名(云打码普通用户用户名)    password = pwd              # 普通用户对应的密码    appid = 6003          # 软件代码,开发者分成必要参数。登录开发者后台【我的软件】获得!    appkey = '1f4b564483ae5c907a1d34f8e2f2776c'    # 通讯密钥,开发者分成必要参数。登录开发者后台【我的软件】获得!    filename = codePath          # 识别的图片的路径    codetype = codeType           # 识别的类型,在帮助文档可查看对应验证码类型    timeout = 20     if (username == 'username'):        print('请设置好相关参数再测试')    else:        # 初始化        yundama = YDMHttp(username, password, appid, appkey)        # 登陆云打码        uid = yundama.login();        # print('uid: %s' % uid)        # 查询余额        balance = yundama.balance();        # print('balance: %s' % balance)        # 开始识别,图片路径,验证码类型ID,超时时间(秒),识别结果        cid, result = yundama.decode(filename, codetype, timeout);        # print('cid: %s, result: %s' % (cid, result))        return result
getCodeData 函数
# 人人网的模拟登陆import requestsimport urllibfrom lxml import etree# 获取session对象session = requests.Session()# 下载验证码图片headers = {    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'}url = 'http://www.renren.com'page_text = requests.get(url=url, headers=headers).texttree = etree.HTML(page_text)code_img_url = tree.xpath('//*[@id="verifyPic_login"]/@src')[0]urllib.request.urlretrieve(url=code_img_url, filename='code.jpg')# 识别验证码图片中的数据值,2004表示4位纯汉字,其他类型代码参考云打码帮助文档code_data = getCodeData(云打码用户名', '云打码密码', './code.jpg', 2004)# print(code_data)    # code_data为识别结果login_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2019141727367'data = {    "email":"1547360919@qq.com",    "icode":code_data,    "origURL":"http://www.renren.com/home",    "domain":"renren.com",    "key_id":"1",    "captcha_type":"web_login",    "password":"38ce96b6b81595f845e55c1dd4e712ad6f1efe50fe31dbd5bf517b273d7c3b6e",    "rkey":"07a9f1810ecf9b507634a45447a628e7",    "f":""}# 如果请求成功,产生的cookie会自动保存在session对象中session.post(url=login_url, data=data, headers=headers)url = 'http://www.renren.com/448850039/profile'page_text = session.get(url=url, headers=headers).textwith open('renren.html', 'w', encoding='utf8') as f:    f.write(page_text)
3、案例二:模拟登录古诗文网
# 模拟登陆古诗文网from lxml import etreeimport requestss = requests.Session()headers = {    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'}login_url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'page_text = requests.get(url=login_url, headers=headers, verify=False).text          # verify=False是解决请求https协议问题,SSL错误tree = etree.HTML(page_text)img_code_url = 'https://so.gushiwen.org' + tree.xpath('//*[@id="imgCode"]/@src')[0]# 验证码图片请求也会有session产生,因此不能使用urllib的urlretrieve方法img_data = s.get(url=img_code_url, headers=headers, verify=False).contentwith open('./gs_code_img.jpg','wb') as f:    f.write(img_data)# 识别验证码code_data = getCodeData('bobo328410948', 'bobo328410948', './gs_code_img.jpg', 1004)relogin_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'# 当有些参数是动态变化的时,我们可以去网页源代码中找找data = {    "__VIEWSTATE":"u+DzAnizDr8zKG7K/Q/OHyl4Kae1i0R5uxnuMk+EONOCJb5GTyGoJgnx1n/wlOx4XePU+CN5dRcmV/ptirBjyW6SyzcQqdOMuyeIbuFfEWNcUm7K00I9RH7g5gA=",    "__VIEWSTATEGENERATOR":"C93BE1AE",    "from":"http://so.gushiwen.org/user/collect.aspx",    "email":"1547360919@qq.com",    "pwd":"512abc...",    "code":code_data,    "denglu":"登录"} page_data = s.post(url=relogin_url, data=data, headers=headers, verify=False).textwith open('./gushici.html', 'w', encoding='utf8') as f:    f.write(page_data)
4、随机获取User-Agent
# 但是因其服务器不稳定,有时候获取不到,因此我们很少用from fake_useragent import UserAgentua = UserAgent(verify_ssl=False,use_cache_server=False).randomheaders = {    'User-Agent':ua} # fake_useragent的安装方式为 pip install fake-useragent

二、selenium

  参考博客:

  selenium是一个第三方库,对外提供的接口可以操作浏览器,然后让浏览器完成自动化操作。可用于获取动态加载的数据。

1、环境搭建

  - 安装

    pip install selenium

  - 获取某一款浏览器的驱动程序(以谷歌浏览器为例)

    谷歌浏览器驱动下载地址:

    注意:下载的驱动程序必须和浏览器版本统一,大家可以根据  中提供的版本映射表进行对应

2、编码流程

  - 导包:from selenium import webdriver

  - 实例化某一款浏览器对象

  - 自制定自动化操作代码

  PS:本人在导包的时候遇到了如下错误:

  查了半天,尝试了各种都不管用,原来是我开着fiddler抓包软件了,将其关掉就可以了,[尴尬]!

3、简单示例代码
from selenium import webdriverfrom time import sleepbro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\chromedriver.exe')bro.get(url='https://www.baidu.com/')sleep(2)text_input = bro.find_element_by_id('kw')    # 获取到输入框text_input.send_keys('人民币')sleep(2)search_btn = bro.find_element_by_id('su').click()    # 获取到搜索按钮,并点击sleep(2)# 获取当前的页面源码数据page_text = bro.page_sourceprint(page_text)bro.quit()  # 关闭浏览器
4、示例:获取豆瓣电影更多详情数据
from selenium import webdriverfrom time import sleepurl = 'https://movie.douban.com/typerank?type_name=%E5%96%9C%E5%89%A7&type=24&interval_id=100:90&action='bro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\chromedriver.exe')bro.get(url=url)sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')       # 浏览器向下滚动一屏的距离sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')   # 浏览器向下滚动一屏的距离sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')   # 浏览器向下滚动一屏的距离sleep(2)page_text = bro.page_sourcewith open('./douban.html','w',encoding='utf8') as f:    f.write(page_text)    bro.quit()
5、示例:模拟登陆爬取QQ空间示例(嵌套iframe框架)
#qq空间bro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\chromedriver.exe')url = 'https://qzone.qq.com/'bro.get(url=url)sleep(2)#定位到一个具体的iframebro.switch_to.frame('login_frame')bro.find_element_by_id('switcher_plogin').click()sleep(2)bro.find_element_by_id('u').send_keys('QQ空间用户名')bro.find_element_by_id('p').send_keys('QQ空间密码')bro.find_element_by_id('login_button').click()sleep(5)page_text = bro.page_sourcewith open('qq.html','w',encoding='utf-8') as fp:    fp.write(page_text)bro.quit()
6、PhantomJs(无界面浏览器)
# 以获取豆瓣电影为例,仅仅在实例化浏览器对象时有区别,其他并无区别from selenium import webdriverfrom time import sleepurl = 'https://movie.douban.com/typerank?type_name=%E5%96%9C%E5%89%A7&type=24&interval_id=100:90&action='bro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\phantomjs.exe')bro.get(url=url)sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')       # 浏览器向下滚动一屏的距离sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')   # 浏览器向下滚动一屏的距离sleep(2)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')   # 浏览器向下滚动一屏的距离sleep(2)page_text = bro.page_sourcewith open('./douban.html','w',encoding='utf8') as f:    f.write(page_text)    bro.quit()
7、谷歌无头浏览器

  由于PhantomJs最近已经停止了更新和维护,所以推荐使用谷歌的无头浏览器,是一款无界面的谷歌浏览器。

  示例代码如下:

#谷歌无头浏览器from selenium.webdriver.chrome.options import Options # 创建一个参数对象,用来控制chrome以无界面方式打开chrome_options = Options()chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')#获取豆瓣电影中更多电影详情数据url = 'https://movie.douban.com/typerank?type_name=%E6%83%8A%E6%82%9A&type=19&interval_id=100:90&action='bro = webdriver.Chrome(executable_path=r'D:\@Lily\myproject\pachong\chromedriver.exe',chrome_options=chrome_options)bro.get(url)sleep(3)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')sleep(3)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')sleep(3)bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')sleep(2)page_text = bro.page_sourcewith open('./douban.html','w',encoding='utf-8') as fp:    fp.write(page_text)print(page_text)sleep(1)bro.quit()

三、线程池

1、示例:爬取梨视频热门视频
# 爬取梨视频数据import requestsimport refrom lxml import etreefrom multiprocessing.dummy import Poolimport random# 实例化一个线程池对象pool = Pool(5)url = 'https://www.pearvideo.com/category_1'headers = {    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'}page_text = requests.get(url=url,headers=headers).texttree = etree.HTML(page_text)li_list = tree.xpath('//div[@id="listvideoList"]/ul/li')video_url_list = []for li in li_list:    detail_url = 'https://www.pearvideo.com/'+li.xpath('./div/a/@href')[0]    detail_page = requests.get(url=detail_url,headers=headers).text    video_url = re.findall('srcUrl="(.*?)",vdoUrl',detail_page,re.S)[0]    video_url_list.append(video_url)    video_data_list = pool.map(getVideoData, video_url_list)pool.map(saveVideo, video_data_list)def getVideoData(url):    return requests.get(url=url,headers=headers).contentdef saveVideo(data):    fileName = str(random.randint(0,5000))+'.mp4'    with open(fileName,'wb') as fp:        fp.write(data)

四、总结

  本篇涉及到的反爬机制:

  - 验证码

  - 动态加载

       

转载于:https://www.cnblogs.com/li-li/p/10449027.html

你可能感兴趣的文章
【托业】【新东方全真模拟】01~02-----P5~6
查看>>
【托业】【新东方全真模拟】03~04-----P5~6
查看>>
【托业】【新东方托业全真模拟】TEST05~06-----P5~6
查看>>
【托业】【新东方托业全真模拟】TEST09~10-----P5~6
查看>>
【托业】【新东方托业全真模拟】TEST07~08-----P5~6
查看>>
solver及其配置
查看>>
JAVA多线程之volatile 与 synchronized 的比较
查看>>
Java集合框架知识梳理
查看>>
笔试题(一)—— java基础
查看>>
Redis学习笔记(三)—— 使用redis客户端连接windows和linux下的redis并解决无法连接redis的问题
查看>>
Intellij IDEA使用(一)—— 安装Intellij IDEA(ideaIU-2017.2.3)并完成Intellij IDEA的简单配置
查看>>
Intellij IDEA使用(二)—— 在Intellij IDEA中配置JDK(SDK)
查看>>
Intellij IDEA使用(三)——在Intellij IDEA中配置Tomcat服务器
查看>>
Intellij IDEA使用(四)—— 使用Intellij IDEA创建静态的web(HTML)项目
查看>>
Intellij IDEA使用(五)—— Intellij IDEA在使用中的一些其他常用功能或常用配置收集
查看>>
Intellij IDEA使用(六)—— 使用Intellij IDEA创建Java项目并配置jar包
查看>>
Eclipse使用(十)—— 使用Eclipse创建简单的Maven Java项目
查看>>
Eclipse使用(十一)—— 使用Eclipse创建简单的Maven JavaWeb项目
查看>>
Intellij IDEA使用(十三)—— 在Intellij IDEA中配置Maven
查看>>
面试题 —— 关于main方法的十个面试题
查看>>