爬虫过程和反爬

Posted 2022-08-22 simple_daytime

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫过程和反爬相关的知识，希望对你有一定的参考价值。

文章目录

爬虫过程

爬虫过程

爬虫：获取网络数据（公开的网络）

网络数据来源：网站对应的网页、手机APP

一、获取网络数据（requests、selenium）

1.`requests`

定义

Python获取网络数据的第三方库（基于http或https协议的网络请求）

应用场景

1）直接请求网页地址
2）对提供网页数据的数据接口发送请求

基本用法

1)对目标网页直接发送请求: 
requests.get(网页地址)：获取指定页面的数据返回一个响应对象
2)获取响应的状态码：response.status_code
3)获取响应头：response.headers
4)请求内容（返回的有效数据）:
a.response.content: 二进制类型的数据（图片、视频、音频等，例如：图片下载）
b.response.text: 字符串类型的数据（网页）
c.response.json(): 对请求内容做完json解析后的数据（json数据接口）

response = requests.get('https://cd.zu.ke.com/zufang')
print(response)    # 200表示请求成功

设置cookie
自动登录原理：人工在浏览器上完成登录操作，获取登录后的cookie信息（登录信息），再通过代码发送请求的时候携带登录后的cookie。

import requests

headers = 
    'cookie': '复制到的cookie值',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/104.0.0.0 Safari/537.36'


response = requests.get('https://www.zhihu.com/', headers=headers)
print(response.text)

代理IP
❀获取代理IP（可能需要花钱买）

首先需要去代理IP网页获取一个代理IP：极光代理IP- https://www.jghttp.com/

❀使用代理IP的语法：

1.创建代理对应的字典
# 方法1
proxies = 
   'http': '221.10.105.215:4531',
	'https': '221.10.105.215:4531'


# 方法2
proxies = 
  'http': 'http://221.10.105.215:4531',
  'https': 'http://221.10.105.215:4531'

response = requests.get(需要获取信息的网址, headers=headers, proxies=proxies)
print(response.text)

完整代码：

import requests

headers = 
	 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36'


# 1.创建代理对应的字典
# 方法1
proxies = 
	 'http': '221.10.105.215:4531',
	 'https': '221.10.105.215:4531'


# 方法2
# proxies = 
 #     'http': 'http://221.10.105.215:4531',
#     'https': 'http://221.10.105.215:4531'
# 
response = requests.get('https://movie.douban.com/top250', headers=headers, proxies=proxies)
 print(response.text)

2.`selenium`

安装第三方模块：selenium
❀使用pycharm安装，file->settings->project->点击里面模块右边的加号安装
❀或者直接在teiminal里输入 pip(3) install requests
下载驱动器

1)查看浏览器版本：chrome://version/

2)chromedriver国内镜像：https://registry.npmmirror.com/binary.html?path=chromedriver/0

3)到与浏览器最接近的文件夹进去下载，最新的是104.0.5112.81

4)将下载好压缩包解压移动到python环境安装目录里。
```
在pycharm里面的settings里面查找环境目录，将解压好的chromedriver.exe放在python.exe同一目录。
```

获取网页数据

1.创建浏览器对象(浏览器对象如果是全局变量，浏览器不会自动关闭)
2.打开网页
3.获取网页源代码
4.关闭浏览器

# 导入模块
from selenium.webdriver import Chrome

# 1.创建浏览器对象
b = Chrome()
# 2.打开网页
b.get('https://movie.douban.com/top250')
# 3.获取网页源代码: b.page_source
print(b.page_source)
# 4.关闭浏览器
b.close()

控制浏览器基础操作

1.输入框输入内容
第一步：找到输入框
第二步：输入框输入内容-传值(标签.send_keys)
2.点击按钮
第一步：找到需要点击的标签
第二步：点击（标签.click()）
3.切换选项卡
1)获取当前浏览器上所有的窗口（选项卡）:b.window_handles
2）切换选项卡:b.switch_to.window(切换到的窗口)
注意：selenium中，浏览器对象默认指向一开始打开的选项卡。除非用代码切换，否则浏览器对象指向的选项卡不会切换

# 1.输入框输入内容
# 1）找到输入框
input_tag = b.find_element_by_id('key')
# 2）输入框输入内容
input_tag.send_keys('电脑\\n')

# 2.点击按钮
# 1）找到需要点击的标签
btn = b.find_element_by_css_selector('#navitems-group2 .b')
# 2）点击标签
btn.click()

# 3.切换选项卡
# 进入中国知网输入‘数据分析’之后利用切换选项卡获取每篇论文的摘要

from selenium.webdriver import Chrome
from time import sleep
from bs4 import BeautifulSoup

# 1.基本操作
b = Chrome()    # 创建浏览器对象
b.get('https://www.cnki.net/')    # 打开中国知网

# 获取输入框并输入内容
search_tag = b.find_element_by_id('txt_SearchText')
search_tag.send_keys('数据分析\\n')
sleep(4)      # 切换界面等待一会

# 获取需要点击的所有标签：如果拿到标签后需要点击或者输入，必须通过浏览器对象获取标签
results = b.find_elements_by_css_selector('.result-table-list .name>a')

for i in range(len(results)):
    # 点击第一个结果（这会打开新的选项卡）
    results[i].click()
    b.switch_to.window(b.window_handles[-1])   # 切换选项卡到点开的论文窗口

    # 解析内容
    soup = BeautifulSoup(b.page_source, 'lxml')
    result = soup.select_one('#ChDivSummary')    # 获取摘要
    # 没有摘要输出无
    if not result:
        print('无')
    else:
        print(result.text)
        
    b.close()    # 关闭当前指向的窗口（最后一个窗口），窗口关闭后，浏览器对象的指向不会改变。
    sleep(2)
    
    # 回到第一个窗口点击下一个搜索结果
    b.switch_to.window(b.window_handles[0])    # 切换到第一个页面

b.close()   # 关闭浏览器

页面滚动

语法：
window.scrollBy(x方向偏移量,y方向偏移量)
执行滚动操作 - 执行js中的滚动代码:

for x in range(10):
	b.execute_script('window.scrollBy(0,800)')
	sleep(1)

需要等页面滚动之后把信息加载完才能解析数据，否则数据可能不完整。

设置cookie

❀获取cookie

第一步：打开需要完成自动登录的网站（需要获取cookie的网站）
第二步：给足够长的时间让人工完成自动登录并且刷新出登录后的页面
	   注意：一定要将第一个页面刷新出登录后的状态！！！
第三步：获取登陆后的cookie并将其保存在本地文件中
	   get_cookies()

from selenium.webdriver import Chrome
from json import dumps

b = Chrome()

# 1.打开需要完成自动登录的网站（需要获取cookie的网站）
b.get('https://www.taobao.com/')

# 2.给足够长的时间让人工完成自动登录并且刷新出登录后的页面
# 一定要将第一个页面刷新出登录后的状态。
input('已经完成登录：')

# 3.获取登陆后的cookie并将其保存在本地文件中
cookies = b.get_cookies()
print(cookies)

with open('files/taobao.txt', 'w', encoding='utf-8') as f:
    f.write(dumps(cookies))    # 将获取的cookie转换成json写入文件。
print('写入完成！')

b.close()

❀使用cookie

第一步：打开需要完成自动登录的网站（需要获取cookie的网站）
第二步：从文件读出数据添加cookie
第三步：重新打开需要登录的网页

from selenium.webdriver import Chrome
from json import loads
b = Chrome()

# 1.打开需要完成自动登录的网站（需要获取cookie的网站）
b.get('https://www.taobao.com/')

# 2.从文件读出数据添加cookie
with open('files/taobao.txt', encoding='utf-8') as f:
    content = f.read()
    cookies = loads(content)   # 将json数据转换成python格式

for x in cookies:
    b.add_cookie(x)

# 3.重新打开需要登录的网页
b.get('https://www.taobao.com/')

input('结束')
b.close()

代理IP

❀导入相关模块

from selenium.webdriver import Chrome, ChromeOptions

❀创建配置对象

options = ChromeOptions

❀添加配置

options.add_argument('--proxy-server=http://ip')

❀通过指定配置创建浏览器对象

b = Chrome(options=options)

❀通过浏览器对象获取网页

b.get('https://movie.douban.com/topp250')

❀完整代码

from selenium.webdriver import Chrome, ChromeOptions

# 1.创建配置对象
options = ChromeOptions
# 2.添加配置
options.add_argument('--proxy-server=http://ip')
# 3.通过指定配置创建浏览器对象
b = Chrome(options=options)

b.get('https://movie.douban.com/topp250')   # 网址是被封了的

基本配置

❀配置前需要自己创建配置对象

from selenium.webdriver import ChromeOptions, Chrome
options = ChromeOptions()

❀取消设置环境提示

# 固定写法，有需要可添加快捷导入
options.add_experimental_option('excludeSwitches', ['enable-automation'])

❀设置取消图片加载—加快运行速度

# 固定写法，需要添加快捷导入
options.add_experimental_option("prefs", "profile.managed_default_content_settings.images": 2)

❀通过浏览器对象获取网页

b = Chrome(options=options)
b.get('https://www.jd.com')

❀完整代码

from selenium.webdriver import ChromeOptions, Chrome

options = ChromeOptions()
# 1.取消设置环境提示
options.add_experimental_option('excludeSwitches', ['enable-automation'])

# 2.设置取消图片加载
options.add_experimental_option("prefs", "profile.managed_default_content_settings.images": 2)

b = Chrome(options=options)
b.get('https://www.jd.com')

等待

❀隐式等待: implicitly_wait(时间（秒）)

a.没有设置隐式等待：在通过浏览器获取标签时，如果标签不存在会直接报错；
b.设置了隐式等待：在通过浏览器获取标签时，如果标签不存在不会直接报错，不会马上报错，而是在指定时间范围内不断尝试重新获取标签，直到获取到标签或者超时为止（超时会报错）；
c.一个浏览器只需设置一次隐式等待时间，它会作用于这个浏览器每次获取标签的时候。

from selenium.webdriver import ChromeOptions, Chrome

options = ChromeOptions()
# 1.取消设置环境提示
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 2.设置取消图片加载
options.add_experimental_option("prefs", "profile.managed_default_content_settings.images": 2)

b = Chrome(options=options)
b.get('https://www.jd.com')

# 设置隐式等待时间,获取标签时才有效
b.implicitly_wait(5)
print('------')

input_tag = b.find_element_by_id('key')
input_tag.send_keys('钱包\\n')

b.close()

❀显式等待:等待某个条件成立或者不成立为止

1）创建等待对象:WebDriverWait(浏览器对象,超时时间)
2）添加等待条件：
等待对象.until(条件)  -  等到条件成立为止
等待对象.until_not(条件)  -  等到条件不成立为止

条件写法：
presence_of_element_located(标签)    -   指定标签出现
text_to_be_present_in_element(标签, 值)   -   指定标签的value属性中包含指定值
text_to_be_present_in_element_value(标签, 值)  -  指定标签的标签内容中包含指定值

注意：条件中提供标签的方式
By.xxx(xxx)

from selenium.webdriver.support.ui import  WebDriverWait
from selenium.webdriver.support import  expected_conditions as EC
from selenium.webdriver.common.by import By

options = ChromeOptions()
# 1.取消设置环境提示
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 2.设置取消图片加载
options.add_experimental_option("prefs", "profile.managed_default_content_settings.images": 2)

b = Chrome(options=options)
b.get('https://www.jd.com')

wait = WebDriverWait(b, 10)    # 创建
wait.until(EC.text_to_be_present_in_element_value(By.ID, 'key'), '电脑')
print(b.page_source)

3.常见反爬

浏览器伪装

import requests

headers = 
        'user-agent': 自己电脑浏览器信息


response = requests.get('https://movie.douban.com/top250', headers=headers)

登录反爬

解决办法：
设置cookie
requests和selenium里分别写了

代理IP
```
requests和selenium里分别写了
```

4.找数据接口

第一步：打开控制台
第二步：
第三步：

二、解析数据(从获取到的网络数据中提取有效数据）

1.正则表达式

# 例子
# 名字里面有换行，用单行匹配(?s)
names = findall(r'(?s)<a class="twoline".+?>(.+?)</a>', result)

2.基于`css`选择器的解析器（`bs4`）

bs4的作用

专门用来解析网页数据的第三方库。（基于css选择器解析网页数据）
这个库下载时用'beautifulsoup4', 使用的时候用'bs4'

注：使用bs4做数据解析时需要依赖'lxml'这个第三方库

导入模块
```
from bs4 import BeautifulSoup
```

bs4的用法

1)准备需要解析的数据（获取网页数据）
2)基于网页源代码创建BeautifulSoup对象
3)获取标签
	soup.select(css选择器)：获取css选择器选中的所有标签，返回值是一个列表，列表中的元素是标签对象。
	soup.select_one(css选择器)：获取css选择器选中的第一个标签，返回值是一个标签对象。
	标签对象.select(css选择器)：在指定标签中获取css选择器选中的所有标签，返回值是一个列表，列表中的元素是标签对象。
	标签对象.select_one(css选择器)：在指定标签中获取css选择器选中的第一个标签，返回值是一个标签对象。
4)获取标签内容和标签属性
a.获取标签内容:标签对象.text
b.获取标签属性:标签对象.attr[属性名]

# 一个bs4使用的完整代码

# 导入解析相关类
from bs4 import BeautifulSoup

# bs4的用法
# 1）准备需要解析的数据（获取网页数据）
html = open('files/test.html', encoding='utf-8').read()

# 2）基于网页源代码创建BeautifulSoup对象：soup对象代表网页对应的html标签（整个网页）
soup = BeautifulSoup(html, 'lxml')

# 3）获取标签
# soup.select(css选择器)：获取css选择器选中的所有标签，返回值是一个列表，列表中的元素是标签对象。
# soup.select_one(css选择器)：获取css选择器选中的第一个标签，返回值是一个标签对象。
result = soup.select('p')
print(result)    # [<p>你是大笨蛋</p>]

result = soup.select_one('p')
print(result)    # <p>你是大笨蛋</p>

# 标签对象.select(css选择器)：在指定标签中获取css选择器选中的所有标签，返回值是一个列表，列表中的元素是标签对象。
# 标签对象.select_one(css选择器)：在指定标签中获取css选择器选中的第一个标签，返回值是一个标签对象。

# 4）获取标签内容和标签属性
p = soup.select_one('p')
img = soup.select_one('img')
# a.获取标签内容:标签对象.text
print(p.text)    # 你是大笨蛋
# b.获取标签属性:标签对象.attr[属性名]
print(img.attrs['src'])    # 123

3.基于`xpath`的解析器（`lxml`）

html的树结构：

xpath基本概念

❀树：整个html（xml）代码结构是一个树结构

❀节点：树结构中的每一个元素（标签）就是一个节点

❀根节点（根元素）：html或者xml最外面的那个标签（元素）

❀节点内容：标签内容

❀节点属性：标签属性

xml数据格式

xml和json一样，是一种通用的数据格式（大部分编程语言都支持的数据格式）

xml是通过标签（元素）的标签内容和标签属性来保存数据的。

<supermarket name="永辉超市" address="肖家河大厦">
    <staffs>
        <staff  id="s001" class="c1">
            <name>小明</name>
            <position>收营员</position>
            <salary>4000</salary>
        </staff>
        <staff  id="s002" class="c2">
            <name>小花</name>
            <position>促销员</position>
            <salary>3500</salary>
        </staff>
        <staff  id="s003" class="c1">
            <name>张三</name>
            <position>保洁</position>
            <salary>3000</salary>
        </staff>
        <staff  id="s004" class="c2">
            <name>李四</name>
            <position>收营员</position>
            <salary>4000</salary>
        </staff>
        <staff  id="s005" class="c1">
            <name>王五</name>
            <position>售货员</position>
            <salary>3800</salary>
        </staff>
    </staffs>

    <goodsList>
        <goods discount="0.9">
            <name>泡面</name>
            <price>3.5</price>
            <count>120</count>
        </goods>
        <goods class="c1">
            <name>火腿肠</name>
            <price>1.5</price>
            <count>332</count>
        </goods>
        <goods>
            <name>矿泉水</name>
            <price>2</price>
            <count>549</count>
        </goods>
        <goods discount="8.5">
            <name>面包</name>
            <price>5.5</price>
            <count>29</count>
        </goods>
    </goodsList>
</supermarket>

导入lxml模块

第一步：安装lxml模块 -

点击pycharm的Terminal输入
```
pip install lxml
```
第二步：在项目里面导入
```
from lxml import etree
```

xpath语法

❀创建树结构获取树的根节点

html.etree.XML(xml数据)    # 需要解析的是xml数据
html.etree.HTML(html数据)   # 需要解析的是html数据

❀根据xpath获取指定标签

节点对象.xpath(路径):
    返回路径对应的所有的标签，返回值是列表，列表中的元素是标签对象（节点对象）

1.绝对路径:

/标签在树结构中的全路径 （路径必须从根节点开始写）。

2.相对路径：

路径开头用 “.” 标签当前节点(xpath前面是谁，'.'就代表谁)，“…” 表示当前节点的上层节点。

3.全路径：

用**‘//’**开头的路径 - 在整个树中获取节点。

获取上面xml数据的一些实例：

# 绝对路径
res = root.xpath('/supermarket/staffs/staff/name/text()')以上是关于爬虫过程和反爬的主要内容，如果未能解决你的问题，请参考以下文章 
 Scrapy突破反爬虫的限制
 第7章 Scrapy突破反爬虫的限制
 15《Python 原生爬虫教程》爬虫和反爬虫
 进击的反爬机制
 当你用Python爬取网站遇到反爬，你应该这样做，轻松解决反爬问题
 python爬虫--cookie反爬处理