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
- reqeusts:Python HTTP网络请求库;
- pyquery: Python HTML DOM结构解析库,采用类似JQuery的语法;
- BeautifulSoup:python HTML以及XML结构解析;
- selenium:Python自动化测试框架,可以用于爬虫;
- phantomjs:无头浏览器,可以配合selenium获取js动态加载的内容;
- re:python内建正则表达式模块;
- fiddler:抓包工具,原理就是是一个代理服务器,可以抓取手机包;
- 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;
- celery:Python分布式计算框架,可用于开发分布式爬虫;
- gevent:Python基于协程的网络库,可用于开发高性能爬虫
- grequests:异步requests
- aiohttp:异步http client/server框架
- asyncio:python内建异步io,事件循环库
- uvloop:一个非常快速的事件循环库,配合asyncio效率极高
- concurrent:Python内建用于并发任务执行的扩展
- scrapy:python 爬虫框架;
- 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;
- Splinter:开源自动化Python web测试工具
- pyspider:Python爬虫系统
网页抓取思路
- 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;
- 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;
- 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;
- 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;
- 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
- 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;
- 使用代理隐藏真实IP,并且实现反爬;
- 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
- 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"\r\n", ""), 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("\n"): 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
- 浏览器抓包
- 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
原文地址:https://www.cnblogs.com/pypypy/p/12019283.html