今日重点：

　　　　1、代理服务器的设置

　　　　2、模拟登陆过验证码（静态验证码）

　　　　3、cookie与session

　　　　4、线程池

1、代理服务器的设置

　　有时候使用同一个IP去爬取同一个网站，久了之后会被该网站服务器屏蔽。那么我们应该1怎么处理这个问题呢？

　　解决思路：

　　　　　　如果我们爬取网站，对方服务器显示的是别人的IP地址，那么即使对方服务器把IP禁掉，屏蔽。也无关紧要，我们可以继续换其他的IP地址继续爬取。

因此使用代理服务器，就可以解决问题。

　　　　　　网上有很多代理服务器的网站一般情况花钱比较安全，当然，你要识别这个IP是否是安全的。

　　代理类型：

　　　　　　HTTP：只能发送http协议的

　　　　　　HTTPS:发送HTTPS协议的

　　匿名度：

　　　　　　透明：对方服务器能知道你用代理而且知道你的IP地址

　　　　　　匿名：对方服务器知道你用代理，不知道你服务器

　　　　　　高匿名：对方不知道你用代理。

　　代理网站：

　　　　　　https://www.kuaidaili.com/free/（快代理有免费的，不过还是危险）

　　　　　　其余随便百度，网上有很多代理服务器

　　　　　　　　查看本机ip，接下来测试代理ip

代理服务代码展示如下：

import requests

url = "https://www.baidu.com/s?wd=ip"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
}
#请求多携带一个proxies的参数，类型为http的键值对
response = requests.get(url = url,headers=headers,proxies={"http":"115.233.210.218:808"}).text
#存入当前目录下的文件
with open("./ip.html","w",encoding="utf-8") as fp:
    fp.write(response)
print(response)

看结果显示的ip地址就是我找的代理里面的地址。

2、模拟登陆过验证码（静态验证码）

　　处理完代理问题，接下来比如我们爬取的网站需要登陆，然而登录多半都会出现让用户输入入验证码，因此我们需要用代码模拟出人输入验证码。

　　在遇到验证码的时候，在实际的项目中，验证码的处理方式有三种：

　　　　1）手动输入验证码。（对于小型的项目我们可以采取手动输入）

　　　　2）通过编写程序自动识别验证码。（这样效率会很低，机器学习识别验证码）

　　　　3）通过一些打码接口实现，让别人通过接口帮我们输入验证码，但是需要支付一点费用。

　　但实现以上方式，均要分析验证码的图片从哪里来，是不是验证码也会夹带cookie（cookie，稍后会提到cookie）。只要分析完成，将验证码识别出来，作为动态参数传入

下面即将提交的数据中，那么就完成静态验证码（文字输入）验证。　　

在这里可以有个大型平台，云打码（http://www.yundama.com/）充值了，添加软件，然后复制相关开发者python的源代码，登录自己的账号。识别的类型填入代码，将识别结果输出。作为动态参数传入。

　　　接下来解决登录的问题。因此引出（cookie）

3、cookie与session

　　　在爬虫的使用中，如果涉及登录等操作，经常会使用到Cookie。那么什么是Cookie呢?

简单来说，我们访问每一个互联网页面，都是通过HTP协议进行的，而HTTP协议是一个无状态协议，所谓的无状态协议即无法维持会话之间的状态。

比如，仅使用HTTP协议的话，我们登录一个网站的时候，假如登录成功了，但是当我们访问该网站的其他网页的时候，该登录状态则会消失，此时还需要再登录一次，只要页面涉及更新，就需要反复的进行登录，这是非常不方便的。

所以此时，我们需要将对应的会话信息，比如登录成功等信息通过- 些方式保存下来，比较常用的方式有两种:通过Cookie保存会话信息或通过Session保存会话信息。我们分别说一下这两种方式。

如果是通过Cookie保存会话信息，此时会将所有的会话信息保存在客户端，当我们访问同一个网站的其他页面的时候，会从Cookie中读取对应的会话信息，从而判断目前的会话状态，比如可以判断是否已经登录等。显然，这种方式我们会用到Cookie。

如果是通过Session保存会话信息，会将对应的会话信息保存在服务器端，但是服务器端会给客户端发SessionID等信息，这些信息一般存在客户端的Cookie中，当然，如果客户端禁止了Cookie,也会通过其他方式存储。但是，目前来说，大部分的情况还是会将这一部分的信息存到Cookie中。然后，用户在访问该网站其他网页的时候，会从Cookie中读取这一部分信息， 然后从服务器中的Session中根据这部分Cookie信息检索出该客户端的所有会话信息，然后进行会话控制。显然，使用Session的方式来保存会话信息，大部分的时候，还是会到Cookie。

通过前面的分析，可以看到，不管是通过哪种方式进行会话控制，在大部分时候，都会用到Cookie。比如在爬虫的登录中，如果没有Cookie,我们登录成功了一个网页，但如果我们要爬去该网站的其他网页的时候，仍然会是未登录状态，如果有了Cookie,当我们登录成功后，爬取该网站的其他网页时，则会保持登录状态进行内容的爬取。　　　　　　

总结来说就是：

1)我们访问每一一个互联网页面，都是通过HTP协议进行的，而HTTP协议是一个无状态协议，所谓的无状态协议即无法维持会话之间的状态。
      2)会话信息控制比较常用的方式有两种:通过Cookie保存会话信息、通过Session保存会话信息。
      3)如果是通过Session保存会话信息，会将对应的会话信息保存在服务器端，但是服务器端会给客户端发SessionID等信息，这些信息一般存在客户端的Cookie中，当然，如果客户端禁止了Cookie,也会通过其他方式存储。但是，目前来说，大部分的情况还是会将这-部分的信息存到Cookie中。然后，用户在访问该网站其他网页的时候，会从Cookie中读取这一部分信息，然后从服务器中的Session 中根据这一部分 Cookie信息检索出该客户端的所有会话信息，然后进行会话控制。显然，使用Session的方式来保存会话信息，大部分的时候，还是会用的Cookie。
      4)如果要获得真实的登录地址，我们需要进行分析，分析方法主要有两种，第种方法是通过F12调出调试界面进行分析,第二种方法是使用工具软件进行分析，常用的工具软件有Fiddler（一个伪服务器，你的客户端发送的都要经过它传输）。

登录人人网：

import requests
if __name__ == "__main__":

    #登录请求的url（通过抓包工具获取）
    post_url = ‘http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471‘
    #创建一个session对象，该对象会自动将请求中的cookie进行存储和携带
    session = requests.Session()
   #伪装UA15675334817
    formdata = {
        ‘email‘: ‘15675334817‘,
        ‘icode‘: ‘‘,
        ‘origURL‘: ‘http://www.renren.com/home‘,
        ‘domain‘: ‘renren.com‘,
        ‘key_id‘: ‘1‘,
        ‘captcha_type‘: ‘web_login‘,
        ‘password‘: ‘02eb37d2b5474eb9b086c7cdea2adea2f3af747d674cb598c1fab6732a62e555‘,
        ‘rkey‘: ‘3c7c4d177b8f7edfa59e7f629fcee3bc‘,
        ‘f‘: ‘http%3A%2F%2Fwww.renren.com%2F972358414‘,
    }
    #使用session发送请求，目的是为了将session保存该次请求中的cookie
    session.post(url=post_url,data=formdata,headers=headers)

    get_url = ‘http://www.renren.com/972358414/profile‘
    #再次使用session进行请求的发送，该次请求中已经携带了cookie
    response = session.get(url=get_url,headers=headers)
    #设置响应内容的编码格式
    #将响应内容写入文件
    with open(‘./renren.html‘,‘w‘,encoding="utf-8") as fp:
        fp.write(response.text)

4、线程池

　　　　基于multiprocessing.dummy线程池的数据爬取

练习：需求：爬取梨视频的视频信息

import requests
from lxml import etree
import re
import random
from multiprocessing.dummy import Pool

#爬取视频的下载和保存都需要等待很长时间 这时候 可以采取IO密集型多线程解决
#因此引入线程池
pool = Pool()

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
}

url = "https://www.pearvideo.com/category_1"

vedio_page = requests.get(url=url,headers=headers).text

tree = etree.HTML(vedio_page)
name_url = tree.xpath(‘//*[@id="listvideoList"]/ul/li/div/a/@href‘)

vedio_urls = []#存储视频的url

for i in name_url:
    vedios_url = "https://www.pearvideo.com/" + i
    res = requests.get(url=vedios_url,headers=headers).text
    tre = etree.HTML(res)
    ex = ‘srcUrl="(.*?)",vdoUrl‘
    vedio = re.findall(ex,res,re.S)[0]
    vedio_urls.append(vedio)
print(vedio_urls)
#使用线程池进行视频数据下载
def load(link):
    headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
}
    resul = requests.get(url=link,headers=headers).content
    return resul
video_data_list = pool.map(load,vedio_urls)
#使用线程池进行视频数据保存
def save(vedioa):
    headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
}
    name = str(random.randint(0,9999)) + ".mp4"
    with open(name,"wb") as fp:
        fp.write(vedioa)
        print(name,":下载成功")
pool.map(save,video_data_list)

pool.close()#关闭线程
pool.join()#继续下一个线程

总结：爬取梨视频思路，首先找到视频所在标签位置，在进入视频地址所在位置，接下来请求视频地址为空，仔细寻找发现视频的地址是由js控制显示的。

bs4与lxml都是对标签进行解析的，而我们需要的是js中的代码，因此我们需要用到正则表达式。正则表达式匹配出视频后缀为.mp4的。然后利用线程池

爬取下载数据，再利用线程池保存数据，二进制数据。（思路一定要分析清楚，才开始写代码，不然容易出现问题）

原文地址：https://www.cnblogs.com/lishuntao/p/11605667.html