爬虫中的模拟登陆,IP代理,线程池

今天药忘吃喽~ 2021-11-22 05:42 297阅读 0赞

## 模拟登陆 ##

*  为什么要进行模拟登陆
    
     *  有些时候,我们需要爬取一些基于个人用户的用户信息(需要登录后才可以查看的)
 *  为什么需要识别验证码
    
     *  因为验证码往往是作为登录请求中的请求参数被使用
 *  验证码识别:借助于线上的一款打码平台(超级鹰,云打码,打码兔)
 *  超级鹰的使用流程:[http://www.chaojiying.com/about.html][http_www.chaojiying.com_about.html]
    
     *  注册:注册一个身份的账号
     *  登录:基于**进行登录**
     *  点击 软件ID -->生成一个软件id
     *  下载示例代码:点击开发文档->选择python语言->点击下载
 *  实现模拟登陆
    
     *  就是使用抓包工具捕获登录按钮对应的post请求数据包,从该数据包中提取出请求的url和请求参数,就可以使用requests进行请求发送
 *  cookie操作:
    
     *  手动处理(不建议):
        
         *  将cookie放置到headers中,灵活性差,cookie存储有时间上限
     *  自动处理(建议):使用requests模块中的Session对象:
        
         *  Session对象:该对象可以像requests一样发送get和post请求,当该对象在进行请求发送的过程中,产生cookie,则该cookie会被自动存储到该对象中
            
             *  session = requests.Session()
 *  模拟登陆案例
    
        #模拟登陆爬取古诗文网站登陆界面
        import requests
        from lxml import etree
        from chaojiying_Python.chaojiying import Chaojiying_Client
        
        #当你处理登陆爬虫时要将请求换成session
        session = requests.Session()
        #将超级鹰下载的包封装成一个函数进行引入调用
        def get_codeImg_text(imgPath, imgType):
            chaojiying = Chaojiying_Client('超级鹰账号', '超级鹰密码', '    899991')    #用户中心>>软件ID 生成一个替换 96001
            im = open(imgPath, 'rb').read()                                                   #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
            # print(chaojiying.PostPic(im, 1902))
            return chaojiying.PostPic(im, imgType)['pic_str']
        
        headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
        }
        
        #模拟登录
        #获取验证码图片
        url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
        #解析验证码图片
        page_text = requests.get(url=url,headers=headers).text
        tree = etree.HTML(page_text)
        code_img_src = 'https://so.gushiwen.org/'+tree.xpath('//*[@id="imgCode"]/@src')[0]
        code_img_data = session.get(url=code_img_src,headers=headers).content
        with open('./code.jpg','wb') as fp:
            fp.write(code_img_data)
        #解析动态参数
        __VIEWSTATE = tree.xpath('//input[@id="__VIEWSTATE"]/@value')[0]
        __VIEWSTATEGENERATOR = tree.xpath('//input[@id="__VIEWSTATEGENERATOR"]/@value')[0]
        print(__VIEWSTATE,__VIEWSTATEGENERATOR)
        #使用打码平台识别出来的验证码图片数据
        codeImg_text = get_codeImg_text('./code.jpg',1902)
        print(codeImg_text)
        login_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'
        #动态参数:动态参数往往都会被隐藏在前台页面
        data = {
            #处理了动态参数
            "__VIEWSTATE": __VIEWSTATE,
            "__VIEWSTATEGENERATOR": __VIEWSTATEGENERATOR,
            "from": "http://so.gushiwen.org/user/collect.aspx",
            "email": "你的账号",
            "pwd": "你的密码",
            "code": codeImg_text,
            "denglu": "登录",
        }
        #登陆发送post请求,且传送data
        pages_text = session.post(url=login_url,headers=headers,data=data).text
        with open('./gushiwen.html','w',encoding='utf-8') as fp:
            fp.write(pages_text)

## 代理IP ##

*  在爬取数据的时候可能会报出一个HttpConnectilonPool的错误
    
     *  原因
        
         *  请求池资源被耗尽,在headers中加入一个键值对:'Connection':'close'
         *  请求ip被服务器禁用
            
             *  可以使用代理IP解决
 *  代理:
    
     *  概念:代理服务器
     *  代理IP:代理服务器的ip
     *  代理IP网站:快代理、西祠代理、goubanjia
     *  代理方式及参数
        
         *  get/post(url,headers,data/params,proxies=\{'http':'ip:port'\})
 *  什么是高匿名、匿名和透明代理?他们有什么区别?
    
     *  使用透明代理,对方服务器可以知道你使用了代理,并且也知道你的真实IP
     *  使用匿名代理.对方服务器可以知道你使用了代理,但不知道你的真实IP
     *  使用高匿名代理:对方服务器不知道你使用了代理,更不知道你的真实IP
 *  类型:
    
     *  http:只可以发起http请求
     *  https:只可以发起https请求
 *  简单的ip代理演示
    
        url = 'https://www.baidu.com/s?wd=ip'
        page_text = requests.get(url=url,headers=headers,proxies={'http':'177.91.254.51:9999'})
        with open('./ip.html','w',encoding='utf-8') as fp
          fp.wirte(page_text)
 *  ## 代理IP被封如何解决? ##

## 线程池 ##

*  线程池:尽可能用在耗时较为严重的操作中
    
     *  视频的请求下载
     *  视频的持久化存储
     *  使用模块
        
            #模块引入
            from multiprocessing.dummy import Pool
            
            #创建线程数量
            pool = Pool(4)
            
            pool.map(func,iterable,chunksize=None)
            #map方法可以基于异步实现:让参数1对应的函数对参数2对应的容器元素一次进行操作,参数二必须是可迭代的,比如最典型的列表
 *  模拟请求阻塞操作
    
     *  普通的访问方式
    
        普通的访问方式
        import time
        def my_request(url):
            print('正在请求:',url)
            #设置了休眠等待
            time.sleep(10)
            print('请求完毕:', url)
        
        urls = [
            'www.1.com',
            'www.2.com',
            'www.3.com',
            'www.4.com',
        ]
        
        start = time.time()
        for url in urls:
            my_request(url)
        print(time.time()-start)
    
     *  使用线程池
        
            #使用线程池
            import time
            from multiprocessing.dummy import Pool
            pool = Pool(4)
            
            def my_request(url):
                print('正在请求:',url)
                time.sleep(10)
                print('请求完毕:', url)
            
            urls = [
                'www.1.com',
                'www.2.com',
                'www.3.com',
                'www.4.com',
            ]
            
            start = time.time()
            pool.map(my_request,urls)
            print(time.time()-start)
            pool.close()
            #join的意思是让主线程等待子线程全部结束后再结束
            pool.join()
 *  案例:对梨视频的视频爬取
    
        #对梨视频的视频爬取
        
        import re,random
        import requests
        from lxml import etree
        from multiprocessing.dummy import Pool
        pool = Pool(4)
        
        #定义一个函数,传送每一个url,下载视频
        def downloadDate(url):
            #content爬取二进制使用
            return requests.get(url=url,headers=headers).content
        #定义一个函数,存储每一个视频
        def saveDate(data):
            name = str(random.randint(0,10000))+'mp4'
            with open(name,'wb') as fp:
                fp.write(data)
            print(name,'下载成功')
        url = 'https://www.pearvideo.com/category_1'
        headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
        }
        
        page_text = requests.get(url=url,headers=headers).text
        tree = etree.HTML(page_text)
        li_list = tree.xpath('//ul[@id="listvideoListUl"]/li')
        #定义一个空列表存放所有的视频链接
        urls = []
        for li in li_list:
            detail_url = 'https://www.pearvideo.com/'+li.xpath('./div/a/@href')[0]
            pages_text = requests.get(url=detail_url,headers=headers).text
            ex = 'srcUrl="(.*?)",vdoUrl'
            video_url = re.findall(ex,pages_text,re.S)[0]
            urls.append(video_url)
        #在耗时较为严重的地方使用线程池,视频的请求下载及持久化存储
        #让函数对urls中的每一个元素进行异步网络请求下载
        #函数不能传参,不能加括号
        #datas是一个列表,存储的是所有的视频二进制的数据
        datas = pool.map(downloadDate,urls)
        
        pool.map(saveDate,datas)
        
        pool.close()
        #join的意思是让主线程等待子线程全部结束后再结束
        pool.join()
        
        
        
        #在获取视频链接的时候发现视频并不是存储在标签中,而是在js中的变量里,
        # 此时我们只能使用支持各种匹配的正则来获取链接
        """
        var contId="1565375",liveStatusUrl="liveStatus.jsp",
        liveSta="",playSta="1",autoPlay=!1,isLiving=!1,isVrVideo=!1,
        hdflvUrl="",sdflvUrl="",hdUrl="",sdUrl="",ldUrl="",
        srcUrl="https://video.pearvideo.com/mp4/short/20190612/cont-1565375-14010027-hd.mp4",
        vdoUrl=srcUrl,skinRes="//www.pearvideo.com/domain/skin",videoCDN="//video.pearvideo.com";
        """

转载于:https://www.cnblogs.com/Godisgirl/p/11020292.html

[http_www.chaojiying.com_about.html]: http://www.chaojiying.com/about.html