python爬虫总章含源码

Posted 2021-03-24 pypypypy

用Python开发爬虫是一件很轻松愉悦的事情，因为其相关库较多，而且使用方便，短短十几行代码就可以完成一个爬虫的开发；
但是，在应对具有反爬措施的网站，使用js动态加载的网站，App采集的时候就得动动脑子了；并且在开发分布式爬虫，高性能爬虫的时候更得用心设计。

Python开发爬虫常用的工具总结

1. reqeusts：Python HTTP网络请求库；
2. pyquery： Python HTML DOM结构解析库，采用类似JQuery的语法；
3. BeautifulSoup：python HTML以及XML结构解析；
4. selenium：Python自动化测试框架，可以用于爬虫；
5. phantomjs：无头浏览器，可以配合selenium获取js动态加载的内容；
6. re：python内建正则表达式模块；
7. fiddler：抓包工具，原理就是是一个代理服务器，可以抓取手机包；
8. anyproxy：代理服务器，可以自己撰写rule截取request或者response，通常用于客户端采集；
9. celery：Python分布式计算框架，可用于开发分布式爬虫；
10. gevent：Python基于协程的网络库，可用于开发高性能爬虫
11. grequests：异步requests
12. aiohttp:异步http client/server框架
13. asyncio：python内建异步io，事件循环库
14. uvloop：一个非常快速的事件循环库，配合asyncio效率极高
15. concurrent：Python内建用于并发任务执行的扩展
16. scrapy：python 爬虫框架；
17. Splash：一个JavaScript渲染服务，相当于一个轻量级的浏览器，配合lua脚本通过他的http API 解析页面；
18. Splinter：开源自动化Python web测试工具
19. pyspider：Python爬虫系统

网页抓取思路

1. 数据是否可以直接从HTML中获取？数据直接嵌套在页面的HTML结构中；
2. 数据是否使用JS动态渲染到页面中的？数据嵌套在js代码中，然后采用js加载到页面或者采用ajax渲染；
3. 获取的页面使用是否需要认证？需要登录后页面才可以访问；
4. 数据是否直接可以通过API得到？有些数据是可以直接通过api获取到，省去解析HTML的麻烦，大多数API都是以JSON格式返回数据；
5. 来自客户端的数据如何采集？例如：微信APP和微信客户端

如何应对反爬

1. 不要太过分，控制爬虫的速率，别把人家整垮了，那就两败俱伤了；
2. 使用代理隐藏真实IP，并且实现反爬；
3. 让爬虫看起来像人类用户，选择性滴设置以下HTTP头部：
   • Host：https://www.baidu.com
   • Connection：keep-alive
   • Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8
   • UserAgent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36
   • Referer: http://s.weibo.com/user/gamelife1314&Refer=index
   • Accept-Encoding: gzip, deflate
   • Accept-Language: zh-CN,zh;q=0.8
4. 查看网站的cookie，在某些情况下，请求需要添加cookie用于通过服务端的一些校验；

案例说明

静态页面解析（获取微信公众号文章）

 1 import pyquery
 2 import re
 3 
 4 
 5 def weixin_article_html_parser(html):
 6     """
 7     解析微信文章，返回包含文章主体的字典信息
 8     :param html: 文章HTML源代码
 9     :return:
10     """
11 
12     pq = pyquery.PyQuery(html)
13 
14     article = {
15         "weixin_id": pq.find("#js_profile_qrcode "
16                                ".profile_inner .profile_meta").eq(0).find("span").text().strip(),
17         "weixin_name": pq.find("#js_profile_qrcode .profile_inner strong").text().strip(),
18         "account_desc": pq.find("#js_profile_qrcode .profile_inner "
19                                 ".profile_meta").eq(1).find("span").text().strip(),
20         "article_title": pq.find("title").text().strip(),
21         "article_content": pq("#js_content").remove(‘script‘).text().replace(r"
", ""),
22         "is_orig": 1 if pq("#copyright_logo").length > 0 else 0,
23         "article_source_url": pq("#js_sg_bar .meta_primary").attr(‘href‘) if pq(
24             "#js_sg_bar .meta_primary").length > 0 else ‘‘,
25 
26     }
27 
28     # 使用正则表达式匹配页面中js脚本中的内容
29     match = {
30         "msg_cdn_url": {"regexp": "(?<=").*(?=")", "value": ""},  # 匹配文章封面图
31         "var ct": {"regexp": "(?<=")d{10}(?=")", "value": ""},  # 匹配文章发布时间
32         "publish_time": {"regexp": "(?<=")d{4}-d{2}-d{2}(?=")", "value": ""},  # 匹配文章发布日期
33         "msg_desc": {"regexp": "(?<=").*(?=")", "value": ""},  # 匹配文章简介
34         "msg_link": {"regexp": "(?<=").*(?=")", "value": ""},  # 匹配文章链接
35         "msg_source_url": {"regexp": "(?<=‘).*(?=‘)", "value": ""},  # 获取原文链接
36         "var biz": {"regexp": "(?<=")w{1}.+?(?=")", "value": ""},
37         "var idx": {"regexp": "(?<=")d{1}(?=")", "value": ""},
38         "var mid": {"regexp": "(?<=")d{10,}(?=")", "value": ""},
39         "var sn": {"regexp": "(?<=")w{1}.+?(?=")", "value": ""},
40     }
41     count = 0
42     for line in html.split("
"):
43         for item, value in match.items():
44             if item in line:
45                 m = re.search(value["regexp"], line)
46                 if m is not None:
47                     count += 1
48                     match[item]["value"] = m.group(0)
49                 break
50         if count >= len(match):
51             break
52 
53     article["article_short_desc"] = match["msg_desc"]["value"]
54     article["article_pos"] = int(match["var idx"]["value"])
55     article["article_post_time"] = int(match["var ct"]["value"])
56     article["article_post_date"] = match["publish_time"]["value"]
57     article["article_cover_img"] = match["msg_cdn_url"]["value"]
58     article["article_source_url"] = match["msg_source_url"]["value"]
59     article["article_url"] = "https://mp.weixin.qq.com/s?__biz={biz}&mid={mid}&idx={idx}&sn={sn}".format(
60         biz=match["var biz"]["value"],
61         mid=match["var mid"]["value"],
62         idx=match["var idx"]["value"],
63         sn=match["var sn"]["value"],
64     )
65 
66     return article
67 
68 
69 if __name__ == ‘__main__‘:
70 
71     from pprint import pprint
72     import requests
73     url = ("https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1"
74            "&sn=39419542de39a821bb5d1570ac50a313&scene=0#wechat_redirect")
75     pprint(weixin_article_html_parser(requests.get(url).text))
76 
77 # {‘account_desc‘: ‘夜听，让更多的家庭越来越幸福。‘,
78 #  ‘article_content‘: ‘文字：安梦 xa0 xa0 声音：刘筱 得到了什么？又失去了什么？‘,
79 #  ‘article_cover_img‘: ‘http://mmbiz.qpic.cn/mmbiz_jpg/4iaBNpgEXstYhQEnbiaD0AwbKhmCVWSeCPBQKgvnSSj9usO4q997wzoicNzl52K1sYSDHBicFGL7WdrmeS0K8niaiaaA/0?wx_fmt=jpeg‘,
80 #  ‘article_pos‘: 1,
81 #  ‘article_post_date‘: ‘2017-07-02‘,
82 #  ‘article_post_time‘: 1499002202,
83 #  ‘article_short_desc‘: ‘周日    来自刘筱的晚安问候。‘,
84 #  ‘article_source_url‘: ‘‘,
85 #  ‘article_title‘: ‘【夜听】走到这里‘,
86 #  ‘article_url‘: ‘https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1&sn=39419542de39a821bb5d1570ac50a313‘,
87 #  ‘is_orig‘: 0,
88 #  ‘weixin_id‘: ‘yetingfm‘,
89 #  ‘weixin_name‘: ‘夜听‘}

使用phantomjs解析js渲染的页面–微博搜索

有些页面采用复杂的js逻辑处理，包含各种Ajax请求，请求之间还包含一些加密操作，通过分析js逻辑重新渲染页面拿到
想要的数据可谓比登天还难，没有坚实的js基础，不熟悉各种js框架，搞明白这种页面就别想了；
采取类似浏览器的方式渲染页面，直接获取页面HTML方便多了。

例如：http://s.weibo.com/ 搜索出来的结果是使用js动态渲染的，直接获取HTML并不会得到搜索的结果，所以我们要运行
页面中的js，将页面渲染成功以后，再获取它的HTML进行解析；

 

使用Python模拟登陆获取cookie

有些网站比较蛋疼，通常需要登录之后才可以获取数据，下面展示一个简单的例子：用于登录网站吗，获取cookie，然后可以用于其他请求

但是，这里仅仅在没有验证码的情况下，如果要有短信验证，图片验证，邮箱验证那就要另行设计了；

目标网站：http://www.newrank.cn，日期：2017-07-03，如果网站结构更改，就需要修改代以下码了；

 1 #!/usr/bin/env python3
 2 # encoding: utf-8
 3 import time
 4 from urllib import parse
 5 
 6 from selenium import webdriver
 7 from selenium.common.exceptions import TimeoutException, WebDriverException
 8 from selenium.webdriver.common.action_chains import ActionChains
 9 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
10 from pyquery import PyQuery
11 
12 
13 def weibo_user_search(url: str):
14     """通过phantomjs获取搜索的页面html"""
15 
16     desired_capabilities = DesiredCapabilities.CHROME.copy()
17     desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
18                                                                  "AppleWebKit/537.36 (KHTML, like Gecko) "
19                                                                  "Chrome/59.0.3071.104 Safari/537.36")
20     desired_capabilities["phantomjs.page.settings.loadImages"] = True
21     # 自定义头部
22     desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
23     desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
24     desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"
25 
26     driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs",  # 设置phantomjs路径
27                                  desired_capabilities=desired_capabilities,
28                                  service_log_path="ghostdriver.log",)
29     # 设置对象的超时时间
30     driver.implicitly_wait(1)
31     # 设置页面完全加载的超时时间，包括页面全部渲染，异步同步脚本都执行完成
32     driver.set_page_load_timeout(60)
33     # 设置异步脚本的超时时间
34     driver.set_script_timeout(60)
35 
36     driver.maximize_window()
37     try:
38         driver.get(url=url)
39         time.sleep(1)
40         try:
41             # 打开页面之后做一些操作
42             company = driver.find_element_by_css_selector("p.company")
43             ActionChains(driver).move_to_element(company)
44         except WebDriverException:
45             pass
46         html = driver.page_source
47         pq = PyQuery(html)
48         person_lists = pq.find("div.list_person")
49         if person_lists.length > 0:
50             for index in range(person_lists.length):
51                 person_ele = person_lists.eq(index)
52                 print(person_ele.find(".person_name > a.W_texta").attr("title"))
53         return html
54     except (TimeoutException, Exception) as e:
55         print(e)
56     finally:
57         driver.quit()
58 
59 if __name__ == ‘__main__‘:
60     weibo_user_search(url="http://s.weibo.com/user/%s" % parse.quote("新闻"))
61 # 央视新闻
62 # 新浪新闻
63 # 新闻
64 # 新浪新闻客户端
65 # 中国新闻周刊
66 # 中国新闻网
67 # 每日经济新闻
68 # 澎湃新闻
69 # 网易新闻客户端
70 # 凤凰新闻客户端
71 # 皇马新闻
72 # 网络新闻联播
73 # CCTV5体育新闻
74 # 曼联新闻
75 # 搜狐新闻客户端
76 # 巴萨新闻
77 # 新闻日日睇
78 # 新垣结衣新闻社
79 # 看看新闻KNEWS
80 # 央视新闻评论

使用Python模拟登陆获取cookie

有些网站比较蛋疼，通常需要登录之后才可以获取数据，下面展示一个简单的例子：用于登录网站吗，获取cookie，然后可以用于其他请求

但是，这里仅仅在没有验证码的情况下，如果要有短信验证，图片验证，邮箱验证那就要另行设计了；

目标网站：http://www.newrank.cn，日期：2017-07-03，如果网站结构更改，就需要修改代以下码了；

 1 #!/usr/bin/env python3
 2 # encoding: utf-8
 3 
 4 from time import sleep
 5 from pprint import pprint
 6 
 7 from selenium.common.exceptions import TimeoutException, WebDriverException
 8 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
 9 from selenium import webdriver
10 
11 
12 def login_newrank():
13     """登录新榜，获取他的cookie信息"""
14 
15     desired_capabilities = DesiredCapabilities.CHROME.copy()
16     desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
17                                                                  "AppleWebKit/537.36 (KHTML, like Gecko) "
18                                                                  "Chrome/59.0.3071.104 Safari/537.36")
19     desired_capabilities["phantomjs.page.settings.loadImages"] = True
20 
21     # 自定义头部
22     desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
23     desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
24     desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"
25 
26     # 填写自己的账户进行测试
27     user = {
28         "mobile": "user",
29         "password": "password"
30     }
31 
32     print("login account: %s" % user["mobile"])
33 
34     driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs",
35                                  desired_capabilities=desired_capabilities,
36                                  service_log_path="ghostdriver.log", )
37 
38     # 设置对象的超时时间
39     driver.implicitly_wait(1)
40     # 设置页面完全加载的超时时间，包括页面全部渲染，异步同步脚本都执行完成
41     driver.set_page_load_timeout(60)
42     # 设置异步脚本的超时时间
43     driver.set_script_timeout(60)
44 
45     driver.maximize_window()
46 
47     try:
48         driver.get(url="http://www.newrank.cn/public/login/login.html?back=http%3A//www.newrank.cn/")
49         driver.find_element_by_css_selector(".login-normal-tap:nth-of-type(2)").click()
50         sleep(0.2)
51         driver.find_element_by_id("account_input").send_keys(user["mobile"])
52         sleep(0.5)
53         driver.find_element_by_id("password_input").send_keys(user["password"])
54         sleep(0.5)
55         driver.find_element_by_id("pwd_confirm").click()
56         sleep(3)
57         cookies = {user["name"]: user["value"] for user in driver.get_cookies()}
58         pprint(cookies)
59 
60     except TimeoutException as exc:
61         print(exc)
62     except WebDriverException as exc:
63         print(exc)
64     finally:
65         driver.quit()
66 
67 if __name__ == ‘__main__‘:
68     login_newrank()
69 # login account: 15395100590
70 # {‘CNZZDATA1253878005‘: ‘1487200824-1499071649-%7C1499071649‘,
71 #  ‘Hm_lpvt_a19fd7224d30e3c8a6558dcb38c4beed‘: ‘1499074715‘,
72 #  ‘Hm_lvt_a19fd7224d30e3c8a6558dcb38c4beed‘: ‘1499074685,1499074713‘,
73 #  ‘UM_distinctid‘: ‘15d07d0d4dd82b-054b56417-9383666-c0000-15d07d0d4deace‘,
74 #  ‘name‘: ‘15395100590‘,
75 #  ‘rmbuser‘: ‘true‘,
76 #  ‘token‘: ‘A7437A03346B47A9F768730BAC81C514‘,
77 #  ‘useLoginAccount‘: ‘true‘}

在获取cookie之后就可以将获得的cookie添加到后续的请求中了，但是因为cookie是具有有效期的，因此需要定时更新；
可以通过设计一个cookie池来实现，动态定时登录一批账号，获取cookie之后存放在数据库中（redis，MySQL等等），
请求的时候从数据库中获取一条可用cookie，并且添加在请求中访问；

使用pyqt5爬个数据试试（PyQt 5.9.2）

import sys
import csv

import pyquery

from PyQt5.QtCore import QUrl
from PyQt5.QtWidgets import QApplication
from PyQt5.QtWebEngineWidgets import QWebEngineView


class Browser(QWebEngineView):

    def __init__(self):
        super(Browser, self).__init__()
        self.__results = []
        self.loadFinished.connect(self.__result_available)

    @property
    def results(self):
        return self.__results

    def __result_available(self):
        self.page().toHtml(self.__parse_html)

    def __parse_html(self, html):
        pq = pyquery.PyQuery(html)
        for rows in [pq.find("#table_list tr"), pq.find("#more_list tr")]:
            for row in rows.items():
                columns = row.find("td")
                d = {
                    "avatar": columns.eq(1).find("img").attr("src"),
                    "url": columns.eq(1).find("a").attr("href"),
                    "name": columns.eq(1).find("a").attr("title"),
                    "fans_number": columns.eq(2).text(),
                    "view_num": columns.eq(3).text(),
                    "comment_num": columns.eq(4).text(),
                    "post_count": columns.eq(5).text(),
                    "newrank_index": columns.eq(6).text(),
                }
                self.__results.append(d)

        with open("results.csv", "a+", encoding="utf-8") as f:
            writer = csv.DictWriter(f, fieldnames=["name", "fans_number", "view_num", "comment_num", "post_count",
                                                   "newrank_index", "url", "avatar"])
            writer.writerows(self.results)

    def open(self, url: str):
        self.load(QUrl(url))


if __name__ == ‘__main__‘:
    app = QApplication(sys.argv)
    browser = Browser()
    browser.open("https://www.newrank.cn/public/info/list.html?period=toutiao_day&type=data")
    browser.show()
    app.exec_()

持续更新中： 

5. 使用Fiddler抓包分析

1. 浏览器抓包
2. fiddler手机抓包

6. 使用anyproxy抓取客户端数据–客户端数据采集

7. 关于开发高性能爬虫的总结

887934385 交流群 分享资料，分享技术