爬虫入门-requests，数据解析，cookie，session，线程池

requests模块

Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用。

警告：非专业使用其他 HTTP 库会导致危险的副作用，包括：安全缺陷症、冗余代码症、重新发明轮子症、啃文档症、抑郁、头疼、甚至死亡。

今日概要:

• 基于requests的get请求
• 基于requests模块的post请求
• 基于requests模块ajax的get请求
• 基于requests模块ajax的post请求
• 综合项目练习：爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据

知识点回顾:

• 常见的请求头
• 常见的相应头
• https协议的加密方式

展开requests模块的学习

1.什么是requests模块?

requests模块是python中原生的基于网络请求的模块，其主要作用是用来模拟浏览器发起请求。功能强大，用法简洁高效。在爬虫领域中占据着半壁江山的地位。

2.为什么要使用requests模块?

• 因为在使用urllib模块的时候，会有诸多不便之处，总结如下：
  • 手动处理url编码
  • 手动处理post请求参数
  • 处理cookie和代理操作繁琐
    ......
• 使用requests模块：
  • 自动处理url编码
  • 自动处理post请求参数
  • 简化cookie和代理操作
    ......

3.如何使用requests模块?

• 安装：

• pip install requests

• 使用流程
  • 指定url
  • 基于requests模块发起请求
  • 获取响应对象中的数据值
  • 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学习和巩固

• 基于requests模块的get请求

• 需求：爬取搜狗指定词条搜索后的页面数据

• 基于requests模块的post请求

• 需求：登录豆瓣电影，爬取登录成功后的页面数据

• 基于requests模块ajax的get请求

• 需求：爬取豆瓣电影分类排行榜 https://movie.douban.com/中的电影详情数据

• 基于requests模块ajax的post请求

• 需求：爬取肯德基餐厅查询http://www.kfc.com.cn/kfccda/index.aspx中指定地点的餐厅数据

• 综合练习
  • 需求：爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据http://125.35.6.84:81/xk/

代码实例

需求：爬取搜狗指定词条搜索后的页面数据

import requests
import os
#指定搜索关键字
word = input(\'enter a word you want to search:\')
#自定义请求头信息
headers={
    \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36\',
    }
#指定url
url = \'https://www.sogou.com/web\'
#封装get请求参数
prams = {
    \'query\':word,

}
#发起请求
response = requests.get(url=url,params=prams,headers=headers)
response.encoding=\'utf-8\'
#获取响应数据
page_text = response.text
fileName = word+\'.html\'
with open(fileName,\'w\',encoding=\'utf-8\') as fp:
    fp.write(page_text)
print(\'word下载成功\')

请求载体身份标识的伪装：

• User-Agent：请求载体身份标识，通过浏览器发起的请求，请求载体为浏览器，则该请求的User-Agent为浏览器的身份标识，使用爬虫程序发起的请求，则该请求的载体为爬虫程序，则该请求的User-Agent为爬虫程序的身份标识。可以通过判断该值来获知该请求的载体究竟是基于哪款浏览器还是基于爬虫程序。

• 反爬机制：某些门户网站会对访问该网站的请求中的User-Agent进行捕获和判断，如果该请求的UA为爬虫程序，则拒绝向该请求提供数据。

• 反反爬策略：将爬虫程序的UA伪装成某一款浏览器的身份标识。

需求：登录豆瓣电影，爬取登录成功后的页面数据

import requests
import os
url = \'https://accounts.douban.com/login\'
#封装请求参数
data = {
    "source": "movie",
    "redir": "https://movie.douban.com/",
    "form_email": "15027900535",
    "form_password": "bobo@15027900535",
    "login": "登录",
}
#自定义请求头信息
headers={
    \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36\',
    }
response = requests.post(url=url,data=data)
page_text = response.text

with open(\'./douban111.html\',\'w\',encoding=\'utf-8\') as fp:
    fp.write(page_text)

需求：爬取豆瓣电影分类排行榜 https://movie.douban.com/中的电影详情数据

这里需要聚焦爬虫，动态数据获取，f12工具，看截图下方：

 

 

 

import requests
import json
import urllib.request
if __name__ == "__main__":

    #指定ajax-get请求的url（通过抓包进行获取）
    url = \'https://movie.douban.com/j/new_search_subjects\'

    #定制请求头信息，相关的头信息必须封装在字典结构中
    headers = {
        #定制请求头中的User-Agent参数，当然也可以定制请求头中其他的参数
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36\',
    }

    #定制get请求携带的参数(从抓包工具中获取)
    param = {
        \'sort\': \'U\',
        \'range\': \'0,10\',
        \'tags\':\'\',
        \'start\': \'0\',
        \'genres\': \'动作\',
    }
    #发起get请求，获取响应对象
    response = requests.get(url=url,headers=headers,params=param)
    data_list = json.loads(response.content.decode(\'utf8\'))
    #获取响应内容：响应内容为json串
    print(response.text)
    print(\'data_list>>>\',data_list)

    fp = open("douban.txt",\'w\',encoding=\'utf-8\')
    for dic in data_list[\'data\']:
        # print(dic)
        title = dic[\'title\']
        rate = dic[\'rate\']
        fp.write(title+":"+rate+"\n")
        print("采集成功》》》",title)

    fp.close()

 

需求：爬取肯德基餐厅查询http://www.kfc.com.cn/kfccda/index.aspx中指定地点的餐厅数据

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import requests
import urllib.request
if __name__ == "__main__":

    #指定ajax-post请求的url（通过抓包进行获取）
    url = \'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword\'

    #定制请求头信息，相关的头信息必须封装在字典结构中
    headers = {
        #定制请求头中的User-Agent参数，当然也可以定制请求头中其他的参数
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36\',
    }

    #定制post请求携带的参数(从抓包工具中获取)
    data = {
        \'cname\':\'\',
        \'pid\':\'\',
        \'keyword\':\'北京\',
        \'pageIndex\': \'1\',
        \'pageSize\': \'10\'
    }
    #发起post请求，获取响应对象
    response = requests.get(url=url,headers=headers,data=data)

    #获取响应内容：响应内容为json串
    print(response.text)

需求：爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据

import requests
from fake_useragent import UserAgent

ua = UserAgent(use_cache_server=False,verify_ssl=False).random
headers = {
    \'User-Agent\':ua
}

url = \'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList\'
pageNum = 3
for page in range(3,5):
    data = {
        \'on\': \'true\',
        \'page\': str(page),
        \'pageSize\': \'15\',
        \'productName\':\'\',
        \'conditionType\': \'1\',
        \'applyname\':\'\',
        \'applysn\':\'\'
    }
    json_text = requests.post(url=url,data=data,headers=headers).json()
    all_id_list = []
    for dict in json_text[\'list\']:
        id = dict[\'ID\']#用于二级页面数据获取
        #下列详情信息可以在二级页面中获取
        # name = dict[\'EPS_NAME\']
        # product = dict[\'PRODUCT_SN\']
        # man_name = dict[\'QF_MANAGER_NAME\']
        # d1 = dict[\'XC_DATE\']
        # d2 = dict[\'XK_DATE\']
        all_id_list.append(id)
    #该url是一个ajax的post请求
    post_url = \'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById\'
    for id in  all_id_list:
        post_data = {
            \'id\':id
        }
        response = requests.post(url=post_url,data=post_data,headers=headers)
        #该请求响应回来的数据有两个，一个是基于text，一个是基于json的，所以可以根据content-type,来获取指定的响应数据
        if response.headers[\'Content-Type\'] == \'application/json;charset=UTF-8\':
            #print(response.json())
            #进行json解析
            json_text = response.json()
            print(json_text[\'businessPerson\'])

三种数据解析方式

回顾requests实现数据爬取的流程:

1. 指定url
2. 基于requests模块发起请求
3. 获取响应对象中的数据
4. 进行持久化存储

其实，在上述流程中还需要较为重要的一步，就是在持久化存储之前需要进行指定数据解析。因为大多数情况下的需求，我们都会指定去使用聚焦爬虫，也就是爬取页面中指定部分的数据值，而不是整个页面的数据。因此，本次课程中会给大家详细介绍讲解三种聚焦爬虫中的数据解析方式。至此，我们的数据爬取的流程可以修改为：

1. 指定url
2. 基于requests模块发起请求
3. 获取响应中的数据
4. 数据解析
5. 进行持久化存储

一. 正则解析

1.常用正则表达式

单字符:

    . : 除换行以外所有字符

    [] ：[aoe] [a-w] 匹配集合中任意一个字符

    \d ：数字  [0-9]

    \D : 非数字

    \w ：数字、字母、下划线、中文

    \W : 非\w

    \s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。

    \S : 非空白        

数量修饰符:

    * : 任意多次  >=0
    
    + : 至少1次   >=1
    
    ? : 可有可无  0次或者1次
    
    {m} ：固定m次 hello{3,}

    {m,} ：至少m次

    {m,n} ：m-n次

边界：

    $ : 以某某结尾 

    ^ : 以某某开头

分组：

    (ab)  

贪婪模式：

 .*

非贪婪（惰性）模式：

 .*?

.

re.I : 忽略大小写
re.M ：多行匹配
re.S ：单行匹配

re.sub(正则表达式, 替换内容, 字符串)

re练习

import re
#提取出python
key="javapythonc++php"
re.findall(\'python\',key)[0]
#####################################################################
#提取出hello world
key="<html><h1>hello world<h1></html>"
re.findall(\'<h1>(.*)<h1>\',key)[0]
#####################################################################
#提取170
string = \'我喜欢身高为170的女孩\'
re.findall(\'\d+\',string)
#####################################################################
#提取出http://和https://
key=\'http://www.baidu.com and https://boob.com\'
re.findall(\'https?://\',key)
#####################################################################
#提取出hello
key=\'lalala<hTml>hello</HtMl>hahah\' #输出<hTml>hello</HtMl>
re.findall(\'<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>\',key)
#####################################################################
#提取出hit. 
key=\'bobo@hit.edu.com\'#想要匹配到hit.
re.findall(\'h.*?\.\',key)
#####################################################################
#匹配sas和saas
key=\'saas and sas and saaas\'
re.findall(\'sa{1,2}s\',key)
#####################################################################
#匹配出i开头的行
string = \'\'\'fall in love with you
i love you very much
i love she
i love her\'\'\'

re.findall(\'^.*\',string,re.M)
#####################################################################
#匹配全部行
string1 = """<div>静夜思
窗前明月光
疑是地上霜
举头望明月
低头思故乡
</div>"""

re.findall(\'.*\',string1,re.S)

项目需求：爬取糗事百科指定页面的糗图，并将其保存到指定文件夹中

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
import re
import os
if __name__ == "__main__":
     url = \'https://www.qiushibaike.com/pic/%s/\'
     headers={
         \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36\',
     }
     #指定起始也结束页码
     page_start = int(input(\'enter start page:\'))
     page_end = int(input(\'enter end page:\'))

     #创建文件夹
     if not os.path.exists(\'images\'):
         os.mkdir(\'images\')
     #循环解析且下载指定页码中的图片数据
     for page in range(page_start,page_end+1):
         print(\'正在下载第%d页图片\'%page)
         new_url = format(url % page)
         response = requests.get(url=new_url,headers=headers)

         #解析response中的图片链接
         e = \'<div class="thumb">.*?<img src="(.*?)".*?>.*?</div>\'
         pa = re.compile(e,re.S)
         image_urls = pa.findall(response.text)
          #循环下载该页码下所有的图片数据
         for image_url in image_urls:
             image_url = \'https:\' + image_url
             image_name = image_url.split(\'/\')[-1]
             image_path = \'images/\'+image_name

             image_data = requests.get(url=image_url,headers=headers).content
             with open(image_path,\'wb\') as fp:
                 fp.write(image_data)

二. Xpath解析

测试页面数据

<html lang="en">
<head>
    <meta charset="UTF-8" />
    <title>测试bs4</title>
</head>
<body>
    <div>
        <p>百里守约</p>
    </div>
    <div class="song">
        <p>李清照</p>
        <p>王安石</p>
        <p>苏轼</p>
        <p>柳宗元</p>
        <a href="http://www.song.com/" title="赵匡胤" target="_self">
            <span>this is span</span>
        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>
        <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
        <img src="http://www.baidu.com/meinv.jpg" alt="" />
    </div>
    <div class="tang">
        <ul>
            <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
            <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
            <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
            <li><a href="http://www.sina.com" class="du">杜甫</a></li>
            <li><a href="http://www.dudu.com" class="du">杜牧</a></li>
            <li><b>杜小月</b></li>
            <li><i>度蜜月</i></li>
            <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
        </ul>
    </div>
</body>
</html>

常用xpath表达式回顾

属性定位：
    #找到class属性值为song的div标签
    //div[@class="song"] 
层级&索引定位：
    #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a
    //div[@class="tang"]/ul/li[2]/a
逻辑运算：
    #找到href属性值为空且class属性值为du的a标签
    //a[@href="" and @class="du"]
模糊匹配：
    //div[contains(@class, "ng")]
    //div[starts-with(@class, "ta")]
取文本：
    # /表示获取某个标签下的文本内容
    # //表示获取某个标签下的文本内容和所有子标签下的文本内容
    //div[@class="song"]/p[1]/text()
    //div[@class="tang"]//text()
取属性：
    //div[@class="tang"]//li[2]/a/@href

Xpath 使用实例

1.下载：pip install lxml
2.导包：from lxml import etree

3.将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点

　　2.1 本地文件：tree = etree.parse(文件名)
                tree.xpath("xpath表达式")

　　2.2 网络数据：tree = etree.HTML(网页内容字符串)
                tree.xpath("xpath表达式")

项目需求：获取好段子中段子的内容和作者 http://www.haoduanzi.com

from lxml import etree
import requests

url=\'http://www.haoduanzi.com/category-10_2.html\'
headers = {
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36\',
    }
url_content=requests.get(url,headers=headers).text
#使用xpath对url_conten进行解析
#使用xpath解析从网络上获取的数据
tree=etree.HTML(url_content)
#解析获取当页所有段子的标题
title_list=tree.xpath(\'//div[@class="log cate10 auth1"]/h3/a/text()\')

ele_div_list=tree.xpath(\'//div[@class="log cate10 auth1"]\')

text_list=[] #最终会存储12个段子的文本内容
for ele in ele_div_list:
    #段子的文本内容（是存放在list列表中）
    text_list=ele.xpath(\'./div[@class="cont"]//text()\')
    #list列表中的文本内容全部提取到一个字符串中
    text_str=str(text_list)
    #字符串形式的文本内容防止到all_text列表中
    text_list.append(text_str)
print(title_list)
print(text_list)

下载煎蛋网中的图片数据：http://jandan.net/ooxx

import requests
from lxml import etree
from fake_useragent import UserAgent
import base64
import urllib.request
url = \'http://jandan.net/ooxx\'
ua = UserAgent(verify_ssl=False,use_cache_server=False).random
headers = {
    \'User-Agent\':ua
}
page_text = requests.get(url=url,headers=headers).text

#查看页面源码：发现所有图片的src值都是一样的。
#简单观察会发现每张图片加载都是通过jandan_load_img(this)这个js函数实现的。
#在该函数后面还有一个class值为img-hash的标签，里面存储的是一组hash值，该值就是加密后的img地址
#加密就是通过js函数实现的，所以分析js函数，获知加密方式，然后进行解密。
#通过抓包工具抓取起始url的数据包，在数据包中全局搜索js函数名（jandan_load_img），然后分析该函数实现加密的方式。
#在该js函数中发现有一个方法调用，该方法就是加密方式，对该方法进行搜索
#搜索到的方法中会发现base64和md5等字样，md5是不可逆的所以优先考虑使用base64解密
#print(page_text)

tree = etree.HTML(page_text)
#在抓包工具的数据包响应对象对应的页面中进行xpath的编写，而不是在浏览器页面中。
#获取了加密的图片url数据
imgCode_list = tree.xpath(\'//span[@class="img-hash"]/text()\')
imgUrl_list = []
for url in imgCode_list:
    #base64.b64decode(url)为byte类型，需要转成str
    img_url = \'http:\'+base64.b64decode(url).decode()
    imgUrl_list.append(img_url)

for url in imgUrl_list:
    filePath = url.split(\'/\')[-1]
    urllib.request.urlretrieve(url=url,filename=filePath)
    print(filePath+\'下载成功\')

BeautifulSoup解析

环境安装:

- 需要将pip源设置为国内源，阿里源、豆瓣源、网易源等
   - windows
    （1）打开文件资源管理器(文件夹地址栏中)
    （2）地址栏上面输入 %appdata%
    （3）在这里面新建一个文件夹  pip
    （4）在pip文件夹里面新建一个文件叫做  pip.ini ,内容写如下即可
        [global]
        timeout = 6000
        index-url = https://mirrors.aliyun.com/pypi/simple/
        trusted-host = mirrors.aliyun.com
   - linux
    （1）cd ~
    （2）mkdir ~/.pip
    （3）vi ~/.pip/pip.conf
    （4）编辑内容，和windows一模一样
- 需要安装：pip install bs4
     bs4在使用时候需要一个第三方库，把这个库也安装一下
     pip install lxml

基础使用:

使用流程：       
    - 导包：from bs4 import BeautifulSoup
    - 使用方式：可以将一个html文档，转化为BeautifulSoup对象，然后通过对象的方法或者属性去查找指定的节点内容
        （1）转化本地文件：
             - soup = BeautifulSoup(open(\'本地文件\'), \'lxml\')
        （2）转化网络文件：
             - soup = BeautifulSoup(\'字符串类型或者字节类型\', \'lxml\')
        （3）打印soup对象显示内容为html文件中的内容

基础巩固：
    （1）根据标签名查找
        - soup.a   只能找到第一个符合要求的标签
    （2）获取属性
        - soup.a.attrs  获取a所有的属性和属性值，返回一个字典
        - soup.a.attrs[\'href\']   获取href属性
        - soup.a[\'href\']   也可简写为这种形式
    （3）获取内容
        - soup.a.string
        - soup.a.text
        - soup.a.get_text()
       【注意】如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容
    （4）find：找到第一个符合要求的标签
        - soup.find(\'a\')  找到第一个符合要求的
        - soup.find(\'a\', title="xxx")
        - soup.find(\'a\', alt="xxx")
        - soup.find(\'a\', class_="xxx")
        - soup.find(\'a\', id="xxx")
    （5）find_all：找到所有符合要求的标签
        - soup.find_all(\'a\')
        - soup.find_all([\'a\',\'b\']) 找到所有的a和b标签
        - soup.find_all(\'a\', limit=2)  限制前两个
    （6）根据选择器选择指定的内容
               select:soup.select(\'#feng\')
        - 常见的选择器：标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器
            - 层级选择器：
                div .dudu #lala .meme .xixi  下面好多级
                div > p > a > .lala          只能是下面一级
        【注意】select选择器返回永远是列表，需要通过下标提取指定的对象

需求：使用bs4实现将诗词名句网站中三国演义小说的每一章的内容爬去到本地磁盘进行存储 http://www.shicimingju.com/book/sanguoyanyi.html

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup

headers={
         \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36\',
     }
def parse_content(url):
    #获取标题正文页数据
    page_text = requests.get(url,headers=headers).text
    soup = BeautifulSoup(page_text,\'lxml\')
    #解析获得标签
    ele = soup.find(\'div\',class_=\'chapter_content\')
    content = ele.text #获取标签中的数据值
    return content

if __name__ == "__main__":
     url = \'http://www.shicimingju.com/book/sanguoyanyi.html\'
     reponse = requests.get(url=url,headers=headers)
     page_text = reponse.text

     #创建soup对象
     soup = BeautifulSoup(page_text,\'lxml\')
     #解析数据
     a_eles = soup.select(\'.book-mulu > ul > li > a\')
     print(a_eles)
     cap = 1
     for ele in a_eles:
         print(\'开始下载第%d章节\'%cap)
         cap+=1
         title = ele.string
         content_url = \'http://www.shicimingju.com\'+ele[\'href\']
         content = parse_content(content_url)

         with open(\'./sanguo.txt\',\'w\') as fp:
             fp.write(title+":"+content+\'\n\n\n\n\n\')
             print(\'结束下载第%d章节\'%cap)

基于requests模块的cookie,session和线程池爬取

有些时候，我们在使用爬虫程序去爬取一些用户相关信息的数据（爬取张三“人人网”个人主页数据）时，如果使用之前requests模块常规操作时，往往达不到我们想要的目的，例如：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
if __name__ == "__main__":

    #张三人人网个人信息页面的url
    url = \'http://www.renren.com/289676607/profile\'

   #伪装UA
    headers={
        \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36\',
    }
    #发送请求，获取响应对象
    response = requests.get(url=url,headers=headers)
    #将响应内容写入文件
    with open(\'./renren.html\',\'w\',encoding=\'utf-8\') as fp:
        fp.write(response.text)

基于requests模块的cookie操作

• 结果发现，写入到文件中的数据，不是张三个人页面的数据，而是人人网登陆的首页面，why？首先我们来回顾下cookie的相关概念及作用：

  • 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。

• 经过cookie的相关介绍，其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页，而是登录页面。那应该如何抓取到张三的个人信息页呢？

　　思路：

　　　　1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取，获取请求中的cookie数据

　　　　2.在使用个人信息页的url进行请求时，该请求需要携带 1 中的cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据

#!/usr/bin/env python
# -*- coding:utf-8 -*-
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UA
    headers={
        \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36\',
    }
    formdata = {
        \'email\': \'17701256561\',
        \'icode\': \'\',
        \'origURL\': \'http://www.renren.com/home\',
        \'domain\': \'renren.com\',
        \'key_id\': \'1\',
        \'captcha_type\': \'web_login\',
        \'password\': \'7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4\',
        \'rkey\': \'44fd96c219c593f3c9612360c80310a3\',
        \'f\': \'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219\',
    }
    #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/960481378/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
    response.encoding = \'utf-8\'
    #将响应内容写入文件
    with open(\'./renren.html\',\'w\') as fp:
        fp.write(response.text)

基于requests模块的代理操作

• 什么是代理?

  • 代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......

• 爬虫中为什么需要使用代理?

  • 一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。

• 代理的分类：

  • 正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。

  • 反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

• 免费代理ip提供网站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

      #!/usr/bin/env python
      # -*- coding:utf-8 -*-
      import requests
      import random
      if __name__ == "__main__":
          #不同浏览器的UA
          header_list = [
              # 遨游
              {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"},
              # 火狐
              {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"},
              # 谷歌
              {
                  "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
          ]
          #不同的代理IP
          proxy_list = [
              {"http": "112.115.57.20:3128"},
              {\'http\': \'121.41.171.223:3128\'}
          ]
          #随机获取UA和代理IP
          header = random.choice(header_list)
          proxy = random.choice(proxy_list)
    
          url = \'http://www.baidu.com/s?ie=UTF-8&wd=ip\'
          #参数3：设置代理
          response = requests.get(url=url,headers=header,proxies=proxy)
          response.encoding = \'utf-8\'
    
          with open(\'daili.html\', \'wb\') as fp:
              fp.write(response.content)
          #切换成原来的IP
          requests.get(url, proxies={"http": ""})

基于multiprocessing.dummy线程池的数据爬取

• 需求：爬取梨视频的视频信息，并计算其爬取数据的耗时

• 普通爬取

    %%time
    import requests
    import random
    from lxml import etree
    import re
    from fake_useragent import UserAgent
    #安装fake-useragent库:pip install fake-useragent
    url = \'http://www.pearvideo.com/category_1\'
    #随机产生UA,如果报错则可以添加如下参数：
    #ua = UserAgent(verify_ssl=False,use_cache_server=False).random
    #禁用服务器缓存：
    #ua = UserAgent(use_cache_server=False)
    #不缓存数据：
    #ua = UserAgent(cache=False)
    #忽略ssl验证：
    #ua = UserAgent(verify_ssl=False)
  
    ua = UserAgent().random
    headers = {
        \'User-Agent\':ua
    }
    #获取首页页面数据
    page_text = requests.get(url=url,headers=headers).text
    #对获取的首页页面数据中的相关视频详情链接进行解析
    tree = etree.HTML(page_text)
    li_list = tree.xpath(\'//div[@id="listvideoList"]/ul/li\')
    detail_urls = []
    for li in li_list:
        detail_url = \'http://www.pearvideo.com/\'+li.xpath(\'./div/a/@href\')[0]
        title = li.xpath(\'.//div[@class="vervideo-title"]/text()\')[0]
        detail_urls.append(detail_url)
    for url in detail_urls:
        page_text = requests.get(url=url,headers=headers).text
        vedio_url = re.findall(\'srcUrl="(.*?)"\',page_text,re.S)[0]
  
        data = requests.get(url=vedio_url,headers=headers).content
        fileName = str(random.randint(1,10000))+\'.mp4\' #随机生成视频文件名称
        with open(fileName,\'wb\') as fp:
            fp.write(data)
            print(fileName+\' is over\')

• 基于线程池的爬取

    %%time
    import requests
    import random
    from lxml import etree
    import re
    from fake_useragent import UserAgent
    #安装fake-useragent库:pip install fake-useragent
    #导入线程池模块
    from multiprocessing.dummy import Pool
    #实例化线程池对象
    pool = Pool()
    url = \'http://www.pearvideo.com/category_1\'
    #随机产生UA
    ua = UserAgent().random
    headers = {
        \'User-Agent\':ua
    }
    #获取首页页面数据
    page_text = requests.get(url=url,headers=headers).text
    #对获取的首页页面数据中的相关视频详情链接进行解析
    tree = etree.HTML(page_text)
    li_list = tree.xpath(\'//div[@id="listvideoList"]/ul/li\')
  
    detail_urls = []#存储二级页面的url
    for li in li_list:
        detail_url = \'http://www.pearvideo.com/\'+li.xpath(\'./div/a/@href\')[0]
        title = li.xpath(\'.//div[@class="vervideo-title"]/text()\')[0]
        detail_urls.append(detail_url)
  
    vedio_urls = []#存储视频的url
    for url in detail_urls:
        page_text = requests.get(url=url,headers=headers).text
        vedio_url = re.findall(\'srcUrl="(.*?)"\',page_text,re.S)[0]
        vedio_urls.append(vedio_url) 
    #使用线程池进行视频数据下载    
    func_request = lambda link:requests.get(url=link,headers=headers).content
    video_data_list = pool.map(func_request,vedio_urls)
    #使用线程池进行视频数据保存
    func_saveData = lambda data:save(data)
    pool.map(func_saveData,video_data_list)
    def save(data):
        fileName = str(random.randint(1,10000))+\'.mp4\'
        with open(fileName,\'wb\') as fp:
            fp.write(data)
            print(fileName+\'已存储\')
  
    pool.close()
    pool.join()