爬虫

什么是爬虫:

- 通过编写程序,模拟浏览器上网,然后让其去互联网上抓取数据的过程。

爬虫究竟是合法还是违法的?

  • 在法律中是不被禁止
  • 具有违法风险
  • 善意爬虫 恶意爬虫

爬虫带来的风险可以体现在如下2方面:
– 爬虫干扰了被访问网站的正常运营
– 爬虫抓取了收到法律保护的特定类型的数据或信息

如何在使用编写爬虫的过程中避免进入局子的厄运呢?

- 时常的优化自己的程序,避免干扰被访问网站的正常运行    - 在使用,传播爬取到的数据时,审查抓取到的内容,如果发现了涉及到用户隐私    商业机密等敏感内容需要及时停止爬取或传播
爬虫在使用场景中的分类    - 通用爬虫:        抓取系统重要组成部分。抓取的是一整张页面数据。    - 聚焦爬虫:        是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。    - 增量式爬虫:        检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

反爬机制:门户网站,可以通过制定相应的策略或者技术手段,防止爬虫程序进行网站数据的爬取。

反反爬策略:爬虫程序可以通过制定相关的策略或者技术手段,破解门户网站中具备的反爬机制,从而可以获取门户网站中相关的数据。

robots.txt协议: 君子协议。规定了网站中哪些数据可以被爬虫爬取哪些数据不可以被爬取。

requests模块

1.什么是requests模块    - python原生一个基于网络请求的模块,模拟浏览器发起请求。- 2.为什么要使用requests模块    - 1.自动处理url编码     - 2.自动处理post请求的参数    - 3.简化cookie的代理的操作:        cookie操作:        - 创建一个cookiejar对象        - 创建一个handler对象        - 创建一个operner        代理操作:        - 创建handler对象,代理ip和端口封装到该对象        - 创建openner对象- 3.requests如何被使用    - 安装:pip install  requests    - 使用流程:        - 1.指定url        - 2.使用requests模块发起请求        - 3.获取响应数据        - 4.进行持久化存储- 4.通过5个基于requests模块的爬虫项目对该模块进行系统学习和巩固    - get请求    - post请求    - ajax的get    - ajax的post    - 综合

如何使用:(requests模块的编码流程)
– 指定url
– UA伪装
– 请求参数的处理
– 发起请求
– 获取响应数据
– 持久化存储

实战编码:
– 需求:爬取首页的页面数据

#指定urlurl = "https://www.luffycity.com/"#发起请求#获取响应数据res = requests.get(url = url)data = res.text

网页采集器

动态搜索的话,我们需要自定义请求

#处理url携带的参数:封装到字典中    kw = input('enter a word:')    param = {        'query':kw    }    #对指定的url发起的请求对应的url是携带参数的,并且请求过程中处理了参数
  res = requests.get(url=url, params=param) #带参数对指定url发起请求    page_text = res.text    print(page_text)

UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器

UA:User-Agent(请求载体的身份标识)UA检测:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器,说明该请求是一个正常的请求。但是,如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该次请求。

这是正常浏览器所以使用的用户代理,将这个写到代码中就会伪装成浏览器请求

header = {        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36'        #这一步也可以通过抓包拦截获取    }    url = 'https://www.sogou.com/web?'    kw = input()    param ={        "query" :kw    }    res = requests.get(url=url, params=param,headers=header) #带参数对指定url发起请求

破解百度翻译

蓝色框是我们想要得到的东西。

当在搜索框中输入之后,服务器会通过ajax请求提交,所以我们可以去捕获XHR类型的请求

以输入regina为例,可以得到以下的数据包,一共是6个sug和其他文件。依次打开,我们会发现每输入一个字母

浏览器就会提交一次ajax请求,所以我们可以找到最后一次提交的文件

Request URL: https://fanyi.baidu.com/sugRequest Method: POSTStatus Code: 200 OKRemote Address: 103.235.46.58:443Referrer Policy: strict-origin-when-cross-originContent-Type: application/jsonDate: Tue, 17 Jan 2023 05:38:54 GMTFORM DATA:kw:regina

数据是通过post请求提交,并且参数有一个我们要输入的东西,url如上所示

#1.指定url    post_url = 'https://fanyi.baidu.com/sug'    #2.进行UA伪装    headers = {        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36'    }    #3.post请求参数处理(同get请求一致)    word = input('enter a word:')    data = {        'kw':word    }    #4.请求发送    response = requests.post(url=post_url,data=data,headers=headers)

我们看到响应数据是json类型,可以使用json方法来得到结果

#5.获取响应数据:json()方法返回的是obj(如果确认响应数据是json类型的,才可以使用json())    dic_obj = response.json()
#持久化存储    fileName = word+'.json'    fp = open(fileName,'w',encoding='utf-8')    json.dump(dic_obj,fp=fp,ensure_ascii=False) #中文无法ascii码编码

本文来自博客园,作者:ivanlee717,转载请注明原文链接:https://www.cnblogs.com/ivanlee717/p/17078664.html