Python爬虫之使用Fiddler+Postman+Python的requests模块爬取各国国旗

Posted 2020-11-21 jclian91

介绍

??本篇博客将会介绍一个Python爬虫，用来爬取各个国家的国旗，主要的目标是为了展示如何在Python的requests模块中使用POST方法来爬取网页内容。
??为了知道POST方法所需要传递的HTTP请求头部和请求体，我们可以使用Fiddler来进行抓包，抓取上网过程中HTTP请求中的POST方法。为了验证Fiddler抓取到的POST请求，可以使用Postman进行测试验证。在Postman中完成测试后，我们就可以用Python的request.POST()方法来写我们的爬虫了。

流程

??作为上述过程的一个演示，我们使用的网址为： http://country.911cha.com/ , 页面如下：

在表单中输入德国，跳转后的页面如下：

我们可以发现，在搜索的结果中，会出现德国这个搜索结果。点击该搜索结果，跳转后的页面如下：

在这个页面中有我们需要的德国的国旗。但是，怎么知道该网页的具体网址呢？换句话说，就是怎样得到http://country.911cha.com/GER.html ？别担心，在刚才出来的德国这个搜索结果中，我们查看其源代码，不难发现，在HTML源代码中，有我们想要的东西：

在源代码中我们能看到“GER.html”，这就意味着，只要得到搜索的结果，我们可以分析HTML源码来得到这个搜索结果的连接网址，然后在该连接网址中获取该国的国旗。所以，在这个爬虫中，最困难的地方在于，如何获取搜索结果？即，得到提交表单后的结果，也就是POST方法提交后的响应结果。我们利用Fiddler来抓取该POST方法。
??我们打开Fiddler, 同时重复上面的操作，可以得到该过程的HTTP请求，如下图：

Fiddler帮助我们找到了刚才提交表单过程中的一个POST请求，具体分析该POST请求，其请求头部如下：

其请求体如下：

??为了验证Fiddler抓取的POST请求，我们需要要Postman来进行测试。在用Postman进行测试前，我们需要问：是否所有请求头部中的数据都需要呢？答案是否定的，实际上，我们只需要User-Agent和Content-Type即可。在Postman中，先输入请求头部，如下：

再输入请求体，如下：

点击"SEND"按钮，得到响应后的结果，如下：

OK，这样我们就完成了Postman的测试。

爬虫

??于是，借助这些信息来完成request.post()的提交，同时，借助BeautifulSoup来解析网页，得到国家的国旗下载地址并完成下载。具体的Python代码如下：

# -*- coding: utf-8 -*-

import urllib.request
import requests
from bs4 import BeautifulSoup

# 函数：下载指定国家的国旗
# 参数： country: 国家
def download_flag(country):

    # 请求头部
    headers = {
                ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36‘,
                ‘Content-Type‘: ‘application/x-www-form-urlencoded; charset=UTF-8‘,
              }
    # POST数据
    data = {‘q‘: country}
    # 网址
    url = ‘http://country.911cha.com/‘

    # 提交POST请求
    r = requests.post(url=url, data=data, headers=headers)

    # 利用BeautifulSoup解析网页
    content = BeautifulSoup(r.text, ‘lxml‘)

    # 得到搜索结果（国家）所在网页地址
    country = content.find_all(‘div‘, class_=‘mcon‘)[1](‘ul‘)[0](‘li‘)[0](‘a‘)[0]
    link = country[‘href‘]

    #利用GET方法得到搜索国家的网页
    r2 = requests.get(url=‘%s/%s‘%(url, link))
    # 利用BeautifulSoup解析网页
    content = BeautifulSoup(r2.text, ‘lxml‘)
    # 获取网页中的图片
    images = content.find_all(‘img‘)

    # 获取指定国家的国旗名称及下载地址
    for image in images:
        if ‘alt‘ in image.attrs:
            if ‘国旗‘ in image[‘alt‘]:
                name = image[‘alt‘].replace(‘国旗‘, ‘‘)
                link = image[‘src‘]

    # 下载国旗图片
    urllib.request.urlretrieve(‘%s/%s‘%(url, link), ‘E://flag/%s.gif‘%name)


def main():

    # countries.txt储存各个国家的名称
    file = ‘E://flag/countries.txt‘
    with open(file, ‘r‘) as f:
        counties = [_.strip() for _ in f.readlines()]

    # 遍历各个国家，下载国旗
    for country in counties:
        try:
            download_flag(country)
            print(‘%s国旗下载成功！‘%country)
        except:
            print(‘%s国旗下载失败~‘%country)

main()

其中countries.txt的部分内容如下：

运行上述Python代码，我们发现在E盘的flag文件夹下，已经下载了各个国家的国旗，如下：

这样我们就完成了本次爬虫的任务！

总结

??本次爬虫利用Python的requests模块的POST方法，来模拟网页中的表单提交。为了得到表单提交过程中的HTTP请求，即请求头部和请求体，我们利用了抓包工具Fiddler，而Postman的作用是为了帮助我们验证Fiddler抓取的POST请求是否正是我们需要的POST请求，同时也能验证请求头部及请求体。
??虽然整个爬虫的过程写的不免麻烦，但是操作的思路应该是清晰的，再说，熟能生巧，多用几次，也就能熟悉整个流程了。本次爬虫只是作为整个流程的一个简单展示，读者可以在此基础上，去实现更为复杂的爬虫，希望本次的分享能够帮助到读者。谢谢大家能读到这儿，也欢迎大家交流~~

注意：本人现已开通两个微信公众号： 因为Python（微信号为：python_math）以及轻松学会Python爬虫（微信号为：easy_web_scrape）， 欢迎大家关注哦~~