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