Python自动化开发学习-爬虫1

Posted 2021-01-13

讲师的博客：https://www.cnblogs.com/wupeiqi/articles/6283017.html

建立本地缓存

用下面的命令，就可以把一个页面爬取下来。不过再继续其他操作之前先把爬取的内容在本地建立缓存：

import requests
r = requests.get(‘http://www.autohome.com.cn/news‘)  # 爬取页面
print(r.text)  # 打印响应的内容

下面会试很多的方法，还是要避免每次都去爬一次相同的页面。主要爬的太频繁，不知道会不会被封。所以爬取过一次之后，在本地建立缓存，之后的各种分析就不用再去爬一遍了。
要缓存的就是 r = requests.get(‘http://www.autohome.com.cn/news‘) 这个，也就是这里的r这个对象。不缓存的话，r是保存在内存中的，程序一旦退出就没有了。这里要做的就是对r这个对象进行序列化，把它保存为本地的文件。由于r是一个python对象，无法使用JSON序列化，这里可以用pickle，保存为一个二进制文件。

序列化与反序列化

首先是把对象序列化，保存为本地的二进制文件：

import pickle
with open(‘test.pk‘, ‘wb‘) as f:
    pickle.dump(r, f)

只有再用的时候，就不需要再通过requests.get再去爬一遍了，直接从本地文件中取出内容反序列生成r对象：

import pickle
with open(‘test.pk‘, ‘rb‘) as f:
    r = pickle.load(f)

封装个模块

然后，每次自己都要想一下之前有没有缓存过也很麻烦，所以在封装一下，自动判断有没有缓存过。如果没有就去爬网页，然后生成缓存。如果有就去缓存的文件里读。
创建一个文件夹“pk”专门存放缓存的文件。假设测试的python文件是 s1.py 那么就生成一个 pk/s1.pk 的缓存文件，只要判断是否存在该文件，就可以知道是否缓存过了：

import os
import pickle
import requests

def get_pk_name(path):
    basedir = os.path.dirname(path)
    fullname = os.path.basename(path)
    name = os.path.splitext(fullname)[0]
    pk_name = ‘%s/pk/%s.%s‘ % (basedir, name, ‘pk‘)
    return pk_name

pk_name = get_pk_name(__file__)
response = None
if os.path.exists(pk_name):
    print("已经爬取过了，获取缓存的内容...")
    with open(pk_name, ‘rb‘) as f:
        response = pickle.load(f)

# 只有在没有缓存过页面的时候才进行爬取
if not response:
    print("开始爬取页面...")
    response = requests.get(‘http://www.autohome.com.cn/news‘)
    # 爬完之后记得保存，下次就不用再去爬取了
    with open(pk_name, ‘wb‘) as f:
        pickle.dump(response, f)

# 从这里开始写真正的代码
print(response.text)

Requests

中文官方文档：http://cn.python-requests.org/zh_CN/latest/user/quickstart.html
安装模块：

pip install requests

发送请求

r = requests.get(‘http://www.autohome.com.cn/news‘)

读取响应内容

print(r.text)

文本编码
上面可能会有乱码，那就是编码不对，可以查看当前的编码，也可以改变它。默认的编码就是 ‘ISO-8859-1‘ ：

print(r.encoding)
r.encoding = ‘ISO-8859-1‘

另外还可以自动获取页面的编码，解决乱码问题：

r.encoding = r.apparent_encoding
print(r.text)

二进制响应内容
如果要自己找编码，应该也是在这里面找

print(r.content)

在下载的时候，就要用到二进制的响应内容了
响应状态码

print(r.status_code)

正常返回的状态码是200
Cookie

cookie_obj = r.cookies
cookie_dict = r.cookies.get_dict()

r.cookies 是一个对象，这个对象的的行为和字典类似，也可以像对象那样使用。这里还可以用 get_dict() 方法转成原生的字典。

Beautiful Soup

中文官方文档：https://beautifulsoup.readthedocs.io/
安装模块：

pip install beautifulsoup4

这里继续对上面爬取到的内容进行分析，把爬取到的内容先把编码转正确了，然后这里要分析的是 r.text 文本的响应内容：

import requests
from bs4 import BeautifulSoup

r = requests.get(‘http://www.autohome.com.cn/news‘)
r.encoding = r.apparent_encoding
soup = BeautifulSoup(r.text, features=‘html.parser‘)

features 参数是指定一个处理引擎，这里用的是默认的，效率一般，但是不用额外的安装。如果是生产环境，还有更高效的处理引擎。
这里最后拿到了一个 soup 对象，之后又一系列的方法，可以提取出各种内容。

查找方法
soup.find方法，可以找到第一个符合条件的对象。可以找标签，也可以找id等，还可以多条件组合使用：

soup.find("div")
soup.find(id="link3")
soup.find("div", id="link3")

soup.find_all方法，和find的用法一样，实际上find方法的实现也是调用find_all方法。find_all方法会返回所有符合条件的对象，返回的对象是在一个列表里的。

打印对象和对象的文本
直接打印对象会打印整个html标签，如果只需要标签中的文本，可以通过对象的text属性：

soup = BeautifulSoup(r.text, features=‘html.parser‘)
target = soup.find(‘div‘, {‘class‘: "article-bar"})
print(type(target), target, target.text)

获取对象的所有属性
对象的attrs属性里是这个html标签的所有的属性：

target = soup.find(id=‘auto-channel-lazyload-article‘)
print(target.attrs)

实战

仅凭上面这点知识点就可以开始下面的实战了

爬取汽车之家新网咨询

下面是代码，找到了没一条新闻咨询的a连接的地址，以及标题，最后还把对应的图片下载到了本地（先建一个img文件夹）：

# check_cache.py
"""用来检查是否有本地缓存的小模块"""

import os

def get_pk_name(path):
    basedir = os.path.dirname(path)
    fullname = os.path.basename(path)
    name = os.path.splitext(fullname)[0]
    pk_name = ‘%s/pk/%s.%s‘ % (basedir, name, ‘pk‘)
    return pk_name

# s1.py
"""爬取汽车之家新网咨询"""

import os
import pickle
import requests
from bs4 import BeautifulSoup

from check_cache import get_pk_name

pk_name = get_pk_name(__file__)
response = None
if os.path.exists(pk_name):
    print("已经爬取过了，获取缓存的内容...")
    with open(pk_name, ‘rb‘) as f:
        response = pickle.load(f)

# 只有在没有缓存过页面的时候才进行爬取
if not response:
    print("开始爬取页面...")
    response = requests.get(‘http://www.autohome.com.cn/news‘)
    # 爬完之后记得保存，下次就不用再去爬取了
    with open(pk_name, ‘wb‘) as f:
        pickle.dump(response, f)

response.encoding = response.apparent_encoding  # 获取页面的编码，解决乱码问题
# print(response.text)

soup = BeautifulSoup(response.text, features=‘html.parser‘)
target = soup.find(id=‘auto-channel-lazyload-article‘)
# print(target)
# obj = target.find(‘li‘)
# print(obj)
li_list = target.find_all(‘li‘)
# print(li_list)
for i in li_list:
    a = i.find(‘a‘)
    # print(a)
    # print(a.attrs)  # 有些li标签里没有a标签，所以可能会报错
    if a:  # 这样判断一下就好了
        # print(a.attrs)  # 这是一个字典
        print(a.attrs.get(‘href‘))  # 那就用操作字典的方法来获取值
        # tittle = a.find(‘h3‘)  # 这个类型是对象
        tittle = a.find(‘h3‘).text  # 这样拿到的才是文本
        print(tittle, type(tittle))  # 不过打印出来差不多，都会变成字符串，差别就是h3这个标签
        img_url = a.find(‘img‘).attrs.get(‘src‘)
        print(img_url)
        # 上面获取到了图片的url，现在可以下载到本地了
        img_response = requests.get("http:%s" % img_url)
        if ‘/‘ in tittle:
            file_name = "img/%s%s" % (tittle.replace(‘/‘, ‘_‘), os.path.splitext(img_url)[1])
        else:
            file_name = "img/%s%s" % (tittle, os.path.splitext(img_url)[1])
        with open(file_name, ‘wb‘) as f:
            f.write(img_response.content)

登录抽屉

这里要解决一个登录的问题。
登录有2种，一种是Form表单验证，还有一种是AJAX请求。这是一个使用AJAX做登录请求的网站。
下面是几张浏览器调试工具的截图，主要是要找一下，登录请求需要提交到哪里，提交哪些信息，以及最后会返回的内容。
登录的AJAX请求：

请求正文：

响应正文：

登录请求的代码如下：

import requests

post_dict = {
    ‘phone‘: ‘8613507293881‘,  # 从请求正文里发现，会在手机号前加上86
    ‘password‘: ‘123456‘,
}

# 所有的请求头可以从请求标头里找到，不过不是必须的
headers = {
    ‘User-Agent‘: ‘‘,  # 这个网站要验证这个请求头，不过只要有就可以通过
}

# 从标头里可以得知，请求的url和请求的方法
response = requests.post(
    url=‘https://dig.chouti.com/login‘,
    data=post_dict,
    headers=headers,
)

print(response.text)
# 这里还有返回的cookies信息，登录成功关键是要拿到成功的cookie
cookie_dict = response.cookies.get_dict()
print(cookie_dict)

登录的套路
上面使用了错误的用户名和密码，在继续登录验证之前，看了解下登录的机制。
登录肯定是要提交验证信息的，一般就用户名和密码。然后请求验证之后，服务端会记录一个session，然后会返回给客户端一个cookie。之后用户每次请求都带着这个cookie，服务端收到请求后就知道这个请求是那个用户提交的了。
不过这个网站有一点不一样，用户在提交验证信息的时候，不但要提交用户名和密码，还要提交一个gpsd。然后服务端验证通过后，会把这次收到的gpsd记录下来。用户之后的cookie里就是要带着这个gpsd就能验证通过。验证请求的gpsd可以从第一次发送get请求的返回的cookie里获取到。另外用户验证通过后，服务端会返回一个cookie，这个cookie里也有一个gpsd，但是是一个新的gpsd，并且是没有用的，这里就会混淆我们，在进行验证这不的时候造成一些困扰。
具体如何应对这类特殊情况，只能用浏览器，打开调试工具，然后一点一点试了。

登录并点赞
下面就是登录验证，获取到第一条咨询的标题和id，发送post请求点赞：

import requests
from bs4 import BeautifulSoup

headers = {
    ‘User-Agent‘: ‘‘,  # 这个网站要验证这个请求头，不过只要有就可以通过
}

r1 = requests.get(‘https://dig.chouti.com‘, headers=headers)
r1_cookies = r1.cookies  # 这里有个gpsd，登录验证的时候要一并提交
print(r1_cookies.get_dict())

# 不能把密码上传啊
with open(‘password/s2.txt‘) as f:
    auth = f.read()
    auth = auth.split(‘
‘)

post_dict = {
    ‘phone‘: ‘86%s‘ % auth[0],  # 从请求正文里发现，会在手机号前加上86
    ‘password‘: auth[1],
}

# 这个网站的登录机制是，发送验证信息和cookies里的gpsd，成功后给你的gpsd授权
# 之后的请求只有cookies里有这个授权过的gpsd就能认证通过
r2 = requests.post(
    url=‘https://dig.chouti.com/login‘,
    data=post_dict,
    headers=headers,
    cookies={‘gpsd‘: r1_cookies[‘gpsd‘]}
)

print(r2.text)
r2_cookies = r2.cookies  # 这里也会返回一个新的gpsd，但是无用。
print(r2_cookies.get_dict())

# 获取咨询，然后点赞
r3 = requests.get(
    url=‘https://dig.chouti.com‘,
    headers=headers,
    cookies={‘gpsd‘: r1_cookies[‘gpsd‘]},
)
r3.encoding = r3.apparent_encoding
soup = BeautifulSoup(r3.text, features=‘html.parser‘)
target = soup.find(id=‘content-list‘)
item = target.find(‘div‘, {‘class‘: ‘item‘})  # 就只给第一条点赞吧
news = item.find(‘a‘, {‘class‘: ‘show-content‘}).text
linksId = item.find(‘div‘, {‘class‘: ‘part2‘}).attrs[‘share-linkid‘]
print(‘news:‘, news.strip())

# 点赞
r = requests.post(
    url=‘https://dig.chouti.com/link/vote?linksId=%s‘ % linksId,
    headers=headers,
    cookies={
        ‘gpsd‘: r1_cookies[‘gpsd‘],
    }
)

print(r.text)

Requests 模块详细

找到requests.get()方法的源码，在 requests/api.py 这个文件里，有如下这些方法：

• requests.get()
• requests.options()
• requests.head()
• requests.post()
• requests.put()
• requests.patch()
• requests.delete()

另外还有一个 requests.request() 方法。上面这些方法里最终调用的都是这个request方法。下面就来看下这些方法里都提供了写什么参数。

参数

在 requests.request() 方法里所有的参数如下：

• method ： 提交方式。request方法里的参数，其他方法里在调用request方法时，都会填好。
• url ： 提交地址
• params ： 在url中传递的参数。也就是get方式的参数
• data ： 在请求体里传递的参数。
• json ： 在请求体里传递的参数。和data不一样，会把json对象序列化后，把整个字符串发出去。
• headers ： 请求头。有几个重要的请求头信息，下面会列出
• cookies ： 这个就是Cookies。它是放在请求头的Cookie里发送给服务端的。
• files ： 上传文件。下面有使用示例
• auth ： 设置 HTTP Auth 的认证信息。下面有展开
• timeout ： 超时时间。单位是秒，类型是float。也可以是个元祖(connect timeout, read timeout)
• allow_redirects ： 是否允许重定向。默认是True。
• proxies ： 使用代理。具体怎么用这里没记
• verify ： 对于https的请求，如果设为Flase，会忽略证书。
• stream ： 下载时的参数，如果是False，则先一次全部下载到内存。如果内容太大，下面有展开。
• cert ： 提交请求如果需要附带证书文件，则要设置cert。

data 和 json 参数
这两个参数都是在请求体力传递的参数。但是格式不同，在网络上最终传递的一定都是序列化的字符串。不同的类型会生成一个不同的请求头。在 requests/models.py 文件里可以找到如下的代码：

if not data and json is not None:
    content_type = ‘application/json‘

if data:
    if isinstance(data, basestring) or hasattr(data, ‘read‘):
        content_type = None
    else:
        content_type = ‘application/x-www-form-urlencoded‘

也就是不同的格式，会设置不同的 Content-Type 请求头：
data 请求头：‘application/x-www-form-urlencoded‘
json 请求头：‘application/json‘
而后端收到请求后，也就可以先查找请求头里的 Content-Type ，然后再解析请求体里的数据。
为什么要用两种格式？
Form表单提交的是data数据，并且Form只能提交字符串或列表，是没有字典的。也就是data这个字典里的value的值只能是字符串或列表，不能是字典。（data字典里不能套字典）
如果就是需要向后端提交一个字典的话，那么只能使用josn了。

请求头

• Referer ： 上一次请求的url
• User-Agent ： 客户端使用的浏览器

发送文件
这是最基本的用法，字典的key f1，就是Form表单的name。这里实例用了request方法来提交请求，之后的例子只有file_dict不同：

file_dict = {
    ‘f1‘: open(‘test1.txt‘, rb)
}
requests.request(
    method=‘POST‘,
    url=‘http://127.0.0.1:8000/test/‘,
    files=file_dict
)

定制文件名：

file_dict = {
    ‘f2‘: (‘mytest.txt‘, open(‘test2.txt‘, rb))
}

定制文件内容（没有文件对象了，文件名当然也得自己定了）：

file_dict = {
    ‘f3‘: (‘test3.txt‘, "自己写内容，或者从文件里读取到的内容")
}

HTTP Auth
HTTP Auth是一种基本连接认证。比如家里用的路由器、ap，用web登录时会弹框（基本登录框，这个不是模态对话框），就是这种认证方式。它会把用户名和密码通过base64加密后放在请求头的 Authorization 里发送出去。
使用的示例代码：

import requests

def param_auth():
    from requests.auth import HTTPBasicAuth

    ret = requests.get(‘https://api.github.com/user‘, auth=HTTPBasicAuth(‘wupeiqi‘, ‘sdfasdfasdf‘))
    print(ret.text)

在 requests.auth 里看到了几个类，应该是不同的加密或者认证方式，但是本质都是把认证信息加密后放在请求头里发送。这里就用 HTTPBasicAuth 举例了。下面是 HTTPBasicAuth 的源码：

class HTTPBasicAuth(AuthBase):
    """Attaches HTTP Basic Authentication to the given Request object."""

    def __init__(self, username, password):
        self.username = username
        self.password = password

    def __eq__(self, other):
        return all([
            self.username == getattr(other, ‘username‘, None),
            self.password == getattr(other, ‘password‘, None)
        ])

    def __ne__(self, other):
        return not self == other

    def __call__(self, r):
        r.headers[‘Authorization‘] = _basic_auth_str(self.username, self.password)
        return r

上面的过程很简单，把用户名和密码通过 _basic_auth_str 方法加密后，加到请求头的 ‘Authorization‘ 里。
这种认证方式比较简单，发布到公网上的网站不会用这种认证方式。

stream 下载
发送完请求，不立即下载全部内容（一次把完整的内容全部下载到内存）。而是通过迭代的方式，一点一点进行下载：

import requests

def param_stream():
    from contextlib import closing
    with closing(requests.get(‘http://httpbin.org/get‘, stream=True)) as r:
        # 在此处理响应。
        for i in r.iter_content():
            print(i)  # 这里用二进制打开个文件写，应该就好了

Session

多次请求的时候，使用 requests.Session() 会自动帮我们管理好Cookie，另外还会设置好一些默认信息，比如请求头等等。
用法如下：

import requests

session = requests.Session()  # 生成一个session实例
# 之后的requests请求，使用session替代requests，比如get请求如下
r1 = session.get(‘https://dig.chouti.com‘)

不如看下源码：

class Session(SessionRedirectMixin):
    """A Requests session.

    Provides cookie persistence, connection-pooling, and configuration.

    Basic Usage::

      >>> import requests
      >>> s = requests.Session()
      >>> s.get(‘http://httpbin.org/get‘)
      <Response [200]>

    Or as a context manager::

      >>> with requests.Session() as s:
      >>>     s.get(‘http://httpbin.org/get‘)
      <Response [200]>
    """

    __attrs__ = [
        ‘headers‘, ‘cookies‘, ‘auth‘, ‘proxies‘, ‘hooks‘, ‘params‘, ‘verify‘,
        ‘cert‘, ‘prefetch‘, ‘adapters‘, ‘stream‘, ‘trust_env‘,
        ‘max_redirects‘,
    ]

除了实例化后使用，还可以像文件操作一样用with的方法使用。
attrs 列表里的值，就是session会自动帮我们设置的所有的属性。
比如headers，它会默认在每次发送的时候添加如下的请求头：

def default_headers():
    """
    :rtype: requests.structures.CaseInsensitiveDict
    """
    return CaseInsensitiveDict({
        ‘User-Agent‘: default_user_agent(),
        ‘Accept-Encoding‘: ‘, ‘.join((‘gzip‘, ‘deflate‘)),
        ‘Accept‘: ‘*/*‘,
        ‘Connection‘: ‘keep-alive‘,
    })

# User-Agent 的值是这样的，"python-requests/2.19.1" 后面是requests模块的软件版本，会变。
# 可以方便的改掉
s = requests.Session()
s.headers[‘User-Agent‘] = ""

学到这里，之后再发送请求，尤其是要和网站进行多次交互的。就新把Session设置好，然后用Session来请求。所有的设置都会保存在Session的实例里，重复使用，自动管理。

优化登录点赞

之前自动登录点赞的例子，如果使用session改一下就简单多了，完全不用管cookie：

import requests
from bs4 import BeautifulSoup

session = requests.Session()

# 默认的 User-Agent 的值是 "python-requests/2.19.1" 会被反爬，需要改一下
session.headers[‘User-Agent‘] = ""
session.get(‘https://dig.chouti.com‘)

# 不能把密码上传啊
with open(‘password/s2.txt‘) as f:
    auth = f.read()
    auth = auth.split(‘
‘)

post_dict = {
    ‘phone‘: ‘86%s‘ % auth[0],  # 从请求正文里发现，会在手机号前加上86
    ‘password‘: auth[1],
}
session.post(‘https://dig.chouti.com/login‘, data=post_dict)

# 获取咨询，然后点赞
r3 = session.get(‘https://dig.chouti.com‘)
r3.encoding = r3.apparent_encoding
soup = BeautifulSoup(r3.text, features=‘html.parser‘)
target = soup.find(id=‘content-list‘)
item = target.find(‘div‘, {‘class‘: ‘item‘})
news = item.find(‘a‘, {‘class‘: ‘show-content‘}).text
linksId = item.find(‘div‘, {‘class‘: ‘part2‘}).attrs[‘share-linkid‘]
print(‘news:‘, news.strip())

# 点赞
r = session.post(‘https://dig.chouti.com/link/vote?linksId=%s‘ % linksId)
print(r.text)