python 网络爬虫session处理cookie,代理IP,云打码介绍

一。基于requests模块的cookie操作(session处理cookie)

    cookie概念:当用户通过浏览器首次访问一个域名时,访问的web服务器会给客户端发送数据,以保持web服务器与客户端之间的状态保持,这些数据就是cookie。

    cookie作用:我们在浏览器中,经常涉及到数据的交换,比如你登录邮箱,登录一个页面。我们经常会在此时设置30天内记住我,或者自动登录选项。那么它们是怎么记录信息的呢,答案就是今天的主角cookie了,Cookie是由HTTP服务器设置的,保存在浏览器中,但HTTP协议是一种无状态协议,在数据交换完毕后,服务器端和客户端的链接就会关闭,每次交换数据都需要建立新的链接。就像我们去超市买东西,没有积分卡的情况下,我们买完东西之后,超市没有我们的任何消费信息,但我们办了积分卡之后,超市就有了我们的消费信息。cookie就像是积分卡,可以保存积分,商品就是我们的信息,超市的系统就像服务器后台,http协议就是交易的过程。

cookie介绍

import requests
from lxml import etree
headers = {
    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36‘
}
#创建一个会话对象:可以像requests模块一样发起请求。如果请求过程中会产生cookie的话,则cookie会被会话自动处理
s = requests.Session()
first_url = ‘https://xueqiu.com/‘
#请求过程中会产生cookie,cookie就会被存储到session对象中
s.get(url=first_url,headers=headers)

url = ‘https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=-1&count=10&category=-1‘
json_obj = s.get(url=url,headers=headers).json()
print(json_obj)

需求:cookie操作案例-雪球网

二。打码验证识别验证码实现模拟登陆

云打码使用方法:https://i.cnblogs.com/EditPosts.aspx?postid=10839009&update=1

获取验证码图片:code_img_src = tree.xpath(‘//*[@id="verifyPic_login"]/@src‘)[0]

点击登录会进行页面跳转,Preserve log选项,这个选项是保留跳转与跳转之前所有记录

import http.client, mimetypes, urllib, json, time, requests

######################################################################

class YDMHttp:

    apiurl = ‘http://api.yundama.com/api.php‘
    username = ‘‘
    password = ‘‘
    appid = ‘‘
    appkey = ‘‘

    def __init__(self, username, password, appid, appkey):
        self.username = username
        self.password = password
        self.appid = str(appid)
        self.appkey = appkey

    def request(self, fields, files=[]):
        response = self.post_url(self.apiurl, fields, files)
        response = json.loads(response)
        return response

    def balance(self):
        data = {‘method‘: ‘balance‘, ‘username‘: self.username, ‘password‘: self.password, ‘appid‘: self.appid, ‘appkey‘: self.appkey}
        response = self.request(data)
        if (response):
            if (response[‘ret‘] and response[‘ret‘] < 0):
                return response[‘ret‘]
            else:
                return response[‘balance‘]
        else:
            return -9001

    def login(self):
        data = {‘method‘: ‘login‘, ‘username‘: self.username, ‘password‘: self.password, ‘appid‘: self.appid, ‘appkey‘: self.appkey}
        response = self.request(data)
        if (response):
            if (response[‘ret‘] and response[‘ret‘] < 0):
                return response[‘ret‘]
            else:
                return response[‘uid‘]
        else:
            return -9001

    def upload(self, filename, codetype, timeout):
        data = {‘method‘: ‘upload‘, ‘username‘: self.username, ‘password‘: self.password, ‘appid‘: self.appid, ‘appkey‘: self.appkey, ‘codetype‘: str(codetype), ‘timeout‘: str(timeout)}
        file = {‘file‘: filename}
        response = self.request(data, file)
        if (response):
            if (response[‘ret‘] and response[‘ret‘] < 0):
                return response[‘ret‘]
            else:
                return response[‘cid‘]
        else:
            return -9001

    def result(self, cid):
        data = {‘method‘: ‘result‘, ‘username‘: self.username, ‘password‘: self.password, ‘appid‘: self.appid, ‘appkey‘: self.appkey, ‘cid‘: str(cid)}
        response = self.request(data)
        return response and response[‘text‘] or ‘‘

    def decode(self, filename, codetype, timeout):
        cid = self.upload(filename, codetype, timeout)
        if (cid > 0):
            for i in range(0, timeout):
                result = self.result(cid)
                if (result != ‘‘):
                    return cid, result
                else:
                    time.sleep(1)
            return -3003, ‘‘
        else:
            return cid, ‘‘

    def report(self, cid):
        data = {‘method‘: ‘report‘, ‘username‘: self.username, ‘password‘: self.password, ‘appid‘: self.appid, ‘appkey‘: self.appkey, ‘cid‘: str(cid), ‘flag‘: ‘0‘}
        response = self.request(data)
        if (response):
            return response[‘ret‘]
        else:
            return -9001

    def post_url(self, url, fields, files=[]):
        for key in files:
            files[key] = open(files[key], ‘rb‘);
        res = requests.post(url, files=files, data=fields)
        return res.text

云打码识别模块:YunCode.py

import requests
from lxml import etree
from YunCode import YDMHttp

#该函数是用来返回验证码图片显示的数据值
def getCodeText(codeType,imgPath):
    result = None
    # 普通者用户名
    username = ‘用户名‘

    # 普通者密码
    password = ‘密码‘

    # 软件ID,开发者分成必要参数。登录开发者后台【我的软件】获得!
    appid = id

    # 软件密钥,开发者分成必要参数。登录开发者后台【我的软件】获得!
    appkey = ‘软件密钥‘

    # 图片文件
    filename = imgPath

    # 验证码类型,# 例:1004表示4位字母数字,不同类型收费不同。请准确填写,否则影响识别率。在此查询所有类型 http://www.yundama.com/price.html
    codetype = codeType

    # 超时时间,秒
    timeout = 30

    # 检查
    if (username == ‘username‘):
        print(‘请设置好相关参数再测试‘)
    else:
        # 初始化
        yundama = YDMHttp(username, password, appid, appkey)

        # 登陆云打码
        uid = yundama.login();
        print(‘uid: %s‘ % uid)

        # 查询余额
        balance = yundama.balance();
        print(‘balance: %s‘ % balance)

        # 开始识别,图片路径,验证码类型ID,超时时间(秒),识别结果
        cid, result = yundama.decode(filename, codetype, timeout);
        print(‘cid: %s, result: %s‘ % (cid, result))
    return result

headers = {
    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36‘
}
#进行验证码的识别:
#1.将验证码进行本地下载,将其提交给打码平台进行识别
url = ‘http://www.renren.com/‘
page_text = requests.get(url=url,headers=headers).text
#解析出验证码图片的url
tree = etree.HTML(page_text)
code_img_src = tree.xpath(‘//*[@id="verifyPic_login"]/@src‘)[0]
code_img_data = requests.get(url=code_img_src,headers=headers).content
with open(‘./code.jpg‘,‘wb‘) as fp:
    fp.write(code_img_data)

#将本地保存好的验证码图片交给打码平台识别
code_text = getCodeText(2004,‘./code.jpg‘)

#模拟登录(发送post请求)
post_url = ‘http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=2019361852954‘
data = {
    ‘email‘: ‘[email protected]‘,
    ‘icode‘: code_text,
    ‘origURL‘: ‘http://www.renren.com/home‘,
    ‘domain‘: ‘renren.com‘,
    ‘key_id‘: ‘1‘,
    ‘captcha_type‘: ‘web_login‘,
    ‘password‘: ‘784601bfcb6b9e78d8519a3885c4a3de0aa7c3f597477e00d26a7aa6598e83bf‘,
    ‘rkey‘: ‘00313a9752665df609d455d36edfbe94‘,
    ‘f‘:‘‘,
}
page_text = requests.post(url=post_url,headers=headers,data=data).text

with open(‘./renren.html‘,‘w‘,encoding=‘utf-8‘) as fp:
    fp.write(page_text)

需求:模拟人人网验证码效验登录

proxies参数设置请求代理ip

基于线程池的数据爬取

原文地址:https://www.cnblogs.com/iamjianghao/p/10841123.html

时间: 2024-11-08 00:57:49

python 网络爬虫session处理cookie,代理IP,云打码介绍的相关文章

[Python]网络爬虫(四):Opener与Handler的介绍和实例应用(转)

在开始后面的内容之前,先来解释一下urllib2中的两个个方法:info and geturl urlopen返回的应答对象response(或者HTTPError实例)有两个很有用的方法info()和geturl() 1.geturl(): 这个返回获取的真实的URL,这个很有用,因为urlopen(或者opener对象使用的)或许会有重定向.获取的URL或许跟请求URL不同. 以人人中的一个超级链接为例, 我们建一个urllib2_test10.py来比较一下原始URL和重定向的链接: [p

requests利用selenium,代理Ip,云打码,验证码抠图操作 爬取搜狗微信公众号内容

import requests from lxml import etree import time import json import random from dama import yundama from selenium import webdriver from PIL import Image #处理图片包 import pymysql import re from requests.exceptions import ConnectionError #==============

2017.08.05 Python网络爬虫实战之获取代理

1.项目准备:爬取网站:http://www.proxy360.cn/Region/China,http://www.xicidaili.com/ 2.创建编辑Scrapy爬虫: scrapy startproject getProxy scrapy genspider proxy360Spider proxy360.cn 项目目录结构: 3.修改items.py: 4.修改Spider.py文件 proxy360Spider.py: (1)先使用scrapy shell命令查看一下连接网络返回

Python网络爬虫

http://blog.csdn.net/pi9nc/article/details/9734437 一.网络爬虫的定义 网络爬虫,即Web Spider,是一个很形象的名字. 把互联网比喻成一个蜘蛛网,那么Spider就是在网上爬来爬去的蜘蛛.网络蜘蛛是通过网页的链接地址来寻找网页的. 从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其它链接地址, 然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有的网页都抓取完为止. 如果把整个互联网当成一个网站,那么

Python]网络爬虫

Originated From: http://blog.csdn.net/pi9nc/article/details/9734437#comments [Python]网络爬虫(一):抓取网页的含义和URL基本构成 一.网络爬虫的定义 网络爬虫,即Web Spider,是一个很形象的名字. 把互联网比喻成一个蜘蛛网,那么Spider就是在网上爬来爬去的蜘蛛.网络蜘蛛是通过网页的链接地址来寻找网页的. 从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其它链接地址, 然后通过这些

python网络爬虫学习资料

第一:Python爬虫学习系列教程(来源于某博主:http://cuiqingcai.com/1052.html) Python版本:2.7 整体目录: 一.爬虫入门 1. Python爬虫入门一之综述 2. Python爬虫入门二之爬虫基础了解 3. Python爬虫入门三之Urllib库的基本使用 4. Python爬虫入门四之Urllib库的高级用法 5. Python爬虫入门五之URLError异常处理 6. Python爬虫入门六之Cookie的使用 7. Python爬虫入门七之正则

python网络爬虫高清PDF资料分享

1.python+网络爬虫开发实战中文PDF高清版 链接:https://pan.baidu.com/s/1bks8J9kgqCArUlEoDg4acA 提取码:h9y2 复制这段内容后打开百度网盘手机App,操作更方便哦 2.python爬虫开发与项目实战中文PDF高清版 链接:https://pan.baidu.com/s/1TNePuFkqHuodhwNdPlVmjw 提取码:zk8m 复制这段内容后打开百度网盘手机App,操作更方便哦 3.精通Python网络爬虫 核心技术.框架与项目实

python网络爬虫之cookie的使用方法汇总

在编写python网络爬虫时,除了要考虑到爬虫的异常处理问题,我们是否还会考虑到cookie的使用呢?在使用cookie时,有想过为什么要使用cookie吗?一起来看看吧. Cookie,指某些网站为了辨别用户身份.进行session跟踪而储存在用户本地终端上的数据(通常经过加密)比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容是不允许的.那么我们可以利用Urllib2库保存我们登录的Cookie,然后再抓取其他页面就达到目的了. 在此之前呢,我们必须先介绍一个open

爬虫学习 06.Python网络爬虫之requests模块(2)

爬虫学习 06.Python网络爬虫之requests模块(2) 今日内容 session处理cookie proxies参数设置请求代理ip 基于线程池的数据爬取 知识点回顾 xpath的解析流程 bs4的解析流程 常用xpath表达式 常用bs4解析方法 了解cookie和session - 无状态的http协议 如上图所示,HTTP协议 是无状态的协议,用户浏览服务器上的内容,只需要发送页面请求,服务器返回内容.对于服务器来说,并不关心,也并不知道是哪个用户的请求.对于一般浏览性的网页来说