Python爬取知乎与我所理解的爬虫与反爬虫,python爬取知网

图片 3
def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)
天涯论坛已经成为了爬虫的体育馆,本文利用Python中的requests库,模拟登入新浪,获取cookie,保存到本地,然后那些cookie作为登录的证据,登入网易的主页面,爬取博客园主页面上的标题和相应难点回复的摘要。

关于博客园验证码登入的主题材料,用到了Python上三个注重的图片管理库PIL,固然不行,就把图纸存到本地,手动输入。

分析它原先的呼吁url的时候,使用url转码工具得以将转码以往的url还原,越来越直白地深入分析。

git链接:

https://github.com/zhaozhengcoder/Spider/tree/master/spider_zhihu

图片 1

PPS:笔者所精通的爬虫与反爬虫计策

反爬虫最核心的方针:

  1. 反省浏览器http乞请里面包车型客车user-agent字段
  2. 反省http央浼的referer(即日前的那么些页面是从哪个页面跳转过来的)

爬虫攻略:
那五个都是在http左券的报文段的反省,同样爬虫端能够很有益于的设置这么些字段的值,来棍骗服务器。

反爬虫晋级战略:
1.像腾讯网同样,在签到的表单里面放入三个遮蔽字段,里面会有八个即兴数,每一趟都不等同,那样除非你的爬虫脚本能够剖判那几个自由数,不然下一次爬的时候就十三分了。
2.记下会见的ip,计算访谈次数,假设次数太高,能够认为这些ip有标题。

爬虫进级战术:
1.像那篇小说提到的,爬虫也能够先分析一下隐蔽字段的值,然后再张开效仿登入。
2.爬虫能够接纳ip代理池的点子,来制止被发觉。同有的时候候,也得以爬一会停息一会的法门来下滑功效。别的,服务器遵照ip访谈次数来拓宽反爬,再ipv6未有周到推广的时期,那几个战略会很轻巧导致损害。(那么些是自己个人的敞亮)。

反爬虫进升级攻略:
1.数量投毒,服务器在本身的页面上放置非常多掩瞒的url,那一个url存在于html文件文件之中,可是透过css可能js使她们不会被出示在顾客看见的页面上边。(确认保障客户点击不到)。那么,爬虫在爬取网页的时候,很用恐怕取访谈那么些url,服务器能够百分百的感觉那是爬虫干的,然后能够回去给她某个荒唐的数码,也许是不容响应。

爬虫进升级计策:
1.各类网站即便须要反爬虫,然则无法把百度,Google这么的查究引擎的爬虫给干了(干了的话,你的网址在百度都说搜不到!)。这样爬虫应该就能够改朝换代是百度的爬虫去爬。(不过ip也许恐怕被搜查缉获,因为您的ip并不是百度的ip)

反爬虫进进晋级计谋:
给个验证码,令你输入以往才具登陆,登入之后,手艺访谈。

爬虫进进进级攻略:
图像识别,机器学习,识别验证码。但是这一个应该相比难,可能说花费相比高。

参照他事他说加以考察资料:
廖雪峰的python教程
静觅的python教程
requests库官方文书档案
segmentfault上面有一人的有关乐乎爬虫的博客,找不到链接了

图片 2

爬取搜狐的机要的一些:模拟登陆

透过对乐乎登入是的抓包,能够窥见登录网易,须求post多个参数,三个是账号,三个是密码,多个是xrsf。
本条xrsf掩饰在表单里面,每一趟登录的时候,应该是服务器随机产生贰个字符串。全体,要效仿登陆的时候,必须要获得xrsf。

用chrome (或许火狐 httpfox 抓包剖判)的结果:

image.png

于是,必得求获得xsrf的数值,注意那是二个动态变化的参数,每一次都差别。

image.png

注意findall和find_all函数的区分。

获得xsrf,下边就足以依样葫芦登入了。
利用requests库的session对象,创设一个对话的好处是,能够把同二个客商的例外央求联系起来,直到会话甘休都会活动管理cookies。

image.png

在意:cookies
是当前目录的多个文件,那一个文件保留了微博的cookie,借使是率先个登录,那么自然是从未有过这些文件的,不能够经过cookie文件来登入。必供给输入密码。

def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass

那是登入的函数,通过login函数来登录,post 本人的账号,密码和xrsf
到新浪登入认证的页面上去,然后拿走cookie,将cookie保存到当前目录下的文书之中。后一次登入的时候,直接读取那一个cookie文件。

#LWP-Cookies-2.0
Set-Cookie3: cap_id=""YWJkNTkxYzhiMGYwNDU2OGI4NDUxN2FlNzBmY2NlMTY=|1487052577|4aacd7a27b11a852e637262bb251d79c6cf4c8dc""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: l_cap_id=""OGFmYTk3ZDA3YmJmNDQ4YThiNjFlZjU3NzQ5NjZjMTA=|1487052577|0f66a8f8d485bc85e500a121587780c7c8766faf""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: login=""NmYxMmU0NWJmN2JlNDY2NGFhYzZiYWIxMzE5ZTZiMzU=|1487052597|a57652ef6e0bbbc9c4df0a8a0a59b559d4e20456""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; version=0
Set-Cookie3: q_c1="ee29042649aa4f87969ed193acb6cb83|1487052577000|1487052577000"; path="/"; domain=".zhihu.com"; path_spec; expires="2020-02-14 06:09:37Z"; version=0
Set-Cookie3: z_c0=""QUFCQTFCOGdBQUFYQUFBQVlRSlZUVFVzeWxoZzlNbTYtNkt0Qk1NV0JLUHZBV0N6NlNNQmZ3PT0=|1487052597|dcf272463c56dd6578d89e3ba543d46b44a22f68""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; httponly=None; version=0

这是cookie文件的内容

以下是源码:

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

import requests
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
import time
import os.path
try:
    from PIL import Image
except:
    pass

from bs4 import BeautifulSoup


# 构造 Request headers
agent = 'Mozilla/5.0 (Windows NT 5.1; rv:33.0) Gecko/20100101 Firefox/33.0'
headers = {
    "Host": "www.zhihu.com",
    "Referer": "https://www.zhihu.com/",
    'User-Agent': agent
}

# 使用登录cookie信息
session = requests.session()
session.cookies = cookielib.LWPCookieJar(filename='cookies')
try:
    session.cookies.load(ignore_discard=True)
except:
    print("Cookie 未能加载")



def get_xsrf():
    '''_xsrf 是一个动态变化的参数'''
    index_url = 'https://www.zhihu.com'
    # 获取登录时需要用到的_xsrf
    index_page = session.get(index_url, headers=headers)
    html = index_page.text
    pattern = r'name="_xsrf" value="(.*?)"'
    # 这里的_xsrf 返回的是一个list
    _xsrf = re.findall(pattern, html)
    return _xsrf[0]





# 获取验证码
def get_captcha():
    t = str(int(time.time() * 1000))
    captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
    r = session.get(captcha_url, headers=headers)
    with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
        f.close()
    # 用pillow 的 Image 显示验证码
    # 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
    try:
        im = Image.open('captcha.jpg')
        im.show()
        im.close()
    except:
        print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
    captcha = input("please input the captchan>")
    return captcha





def isLogin():
    # 通过查看用户个人信息来判断是否已经登录
    url = "https://www.zhihu.com/settings/profile"
    login_code = session.get(url, headers=headers, allow_redirects=False).status_code
    if login_code == 200:
        return True
    else:
        return False


def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass



## 將main的問題列表輸出在shell上面
def  getPageQuestion(url2):  
  mainpage = session.get(url2, headers=headers)
  soup=BeautifulSoup(mainpage.text,'html.parser')
  tags=soup.find_all("a",class_="question_link")
  #print tags

  for tag in tags:
    print tag.string

# 將main頁面上面的問題的回答的摘要輸出在shell上面
def getPageAnswerAbstract(url2):
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='zh-summary summary clearfix')

    for tag in tags:
       # print tag
        print tag.get_text()
        print '詳細內容的鏈接 : ',tag.find('a').get('href')


def getPageALL(url2):
    #mainpage=session.get(url2,headers=headers)
    #soup=BeautifulSoup(mainpage.text,'html.parser')
    #tags=soup.find_all('div',class_='feed-item-inner')
    #print "def getpageall "
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='feed-content')
    for tag in tags:
        #print tag
        print tag.find('a',class_='question_link').get_text()
        # 這裏有一點問題 bs 還是用的不是太熟練
        #print tag.find('a',class_='zh-summary summary clearfix').get_text()
        #print tag.find('div',class_='zh-summary summary clearfix').get_text()


if __name__ == '__main__':
    if isLogin():
        print('您已经登录')
        url2='https://www.zhihu.com'
        # getPageQuestion(url2)
        #getPageAnswerAbstract(url2)
        getPageALL(url2)
    else:
        account = input('请输入你的用户名n>  ')
        secret = input("请输入你的密码n>  ")
        login(secret, account)

运维结果:

image.png

然后提多少个细节呢,知网的伏乞url上,有一对多少段一开头是不领悟它的含义的,不过本人去拼接访问的时候开掘,缺了网址就能报错,那时候就足以多尝试多少个不等的拜见,去拿它的乞请heads,然后互相相比,就能发觉一些字段是稳定不改变的,这种就可以直接照搬,有的吧,是转换的,这种就要求紧凑去深入分析到底是如何数据,有啥意思,知网的就总结贰个皮秒数,那几个笔者一开端就没懂具体意思,后来剖析了下感觉像时间,然后去取了下当前的阿秒时间,一相比发掘大约是大约,就最近的飞秒时间拼在了url串上边。

在非常受了各类socket 10054
10061等不当,通过百度种种手艺,加上了ip代理等片段艺术,最后本身仍然到位此番职务,当然最终还是增进了文件读取,职分队列等模块,大致就是一个线程专责输出文件,另外八个线程去任务池里面取任务爬数据,详细略过,见代码。有错误疏失之处,还请斧正。

 

图片 3

一言以蔽之,就是对于某些懂web的爬虫小白,最棒就是还原网址原来的伸手,那样基本上诉求数据就不会有太大难题了。

发表评论

电子邮件地址不会被公开。 必填项已用*标注