V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2731 天前的主题，其中的信息可能已经有所发展或是发生改变。

1、获取源码

import requests

url = 'http://daily.zhihu.com/'

res = requests.get(url).text

print(res)

个人喜欢 requests，直接访问，发现返回 500 错误

C:\Python35\python.exe F:/PyCharm/爬虫 /daily.py
<html><body><h1>500 Server Error</h1>
An internal server error occured.
</body></html>


Process finished with exit code 0

根据经验判断，是知乎禁止爬虫，需要加上一些伪装，让我们看看加上浏览器伪装效果

import requests

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}

url = 'http://daily.zhihu.com/'

res = requests.get(url,headers=headers).text

print(res)

看看结果，已经返回我们需要的数据 C:\Python35\python.exe F:/PyCharm/爬虫 /daily.py

<html lang="zh-CN"><head><title>知乎日报 - 每天 3 次，每次 7 分钟</title><meta charset="utf-8"><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="description" content="在中国，资讯类移动应用的人均阅读时长是 5 分钟，而在知乎日报，这个数字是 21。以独有的方式为你提供最高质、最深度、最有收获的阅读体验。"><link rel="stylesheet" href="/css/base.auto.css"><link rel="stylesheet" href="/css/new_home_v3.auto.css"><script src="/js/jquery.1.9.1.js"></script><script src="/js/new_index_v3/home.js"></script><link rel="shortcut icon" href="/favicon.ico" type="image/x-icon"><base target="_blank"><style>h1,h2,h3 {padding: 0;margin:0}</style><base target="_blank"></head><body class="home">

浏览内容 App 下载

知乎日报

...

但是这种写法是否可以应用到所有的网站?

2、代理设置有时候同一个 IP 去爬取同一网站上的内容，久了之后就会被该网站服务器屏蔽。解决方法就是更换 IP。这个时候，在对方网站上，显示的不是我们真实地 IP 地址，而是代理服务器的 IP 地址。 http://www.xicidaili.com/nn/ 西刺代理提供了很多可用的国内 IP，可以直接拿来使用。

那么如何在爬虫里加入代理呢，看看 requests 的官方文档怎么说。http://docs.python-requests.org/zh_CN/latest/user/advanced.html#proxies 如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求:

import requests

proxies = {
"http": "http://10.10.1.10:3128",
"https": "http://10.10.1.10:1080",
}

requests.get("http://example.org", proxies=proxies)

用法很简单，加入 proxies 参数即可 import requests

proxies = {
"http": "http://121.201.24.248：8088",
"https": "http://36.249.194.52：8118",
}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 	(KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}

url = 'http://daily.zhihu.com/'

res = requests.get(url,headers=headers，proxies=proxies).text

print(len(res))

为了便于测试，只打印出返回数据的长度

C:\Python35\python.exe F:/PyCharm/爬虫 /daily.py
10830

Process finished with exit code 0

发现代理服务器成功爬取知乎日报的信息，内容是 10830，故意把代理 IP 写错一位数，看看结果

import requests

proxies = {
"http": "http://121.201.24.248：8088",
"https": "http://36.249.194.52: 222",
}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 	(KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}

url = 'http://daily.zhihu.com/'

res = requests.get(url,headers=headers,proxies=proxies).text

我们把"https": "http://36.249.194.52：8118"修改为"https": "http://36.249.194.52: 222"，此时返回的结果如下，发现不能获取网页数据。所以，在使用代理服务器爬去网站时，如果出现异常，要考虑代理 IP 是否失效了。当然你也可以写一个爬虫，实时抓取最新的代理 IP 用来爬取。

Traceback (most recent call last):

File "F:/PyCharm/爬虫 /daily.py", line 9, in <module>

res = requests.get(url,headers=headers,proxies=proxies).text

File "C:\Python35\lib\site-packages\requests\api.py", line 70, in get

return request('get', url, params=params, **kwargs)

File "C:\Python35\lib\site-packages\requests\api.py", line 56, in request

return session.request(method=method, url=url, **kwargs)

File "C:\Python35\lib\site-packages\requests\sessions.py", line 488, in request

resp = self.send(prep, **send_kwargs)

File "C:\Python35\lib\site-packages\requests\sessions.py", line 609, in send

r = adapter.send(request, **kwargs)

File "C:\Python35\lib\site-packages\requests\adapters.py", line 485, in send

raise ProxyError(e, request=request)

requests.exceptions.ProxyError: HTTPConnectionPool(host='121.201.24.248：8088', port=80): Max retries exceeded with url: http://daily.zhihu.com/ (Caused by ProxyError('Cannot connect to proxy.', NewConnectionError('<requests.packages.urllib3.connection.HTTPConnection object at 0x0000000003860DA0>: Failed to establish a new connection: [Errno 11004] getaddrinfo failed',)))

print(len(res))

3、模拟登录有些网站是需要登录才能看到信息的，例如知乎，直接用 requests 获取知乎首页信息，返回数据是需要你登录的，只有登录了才能看到数据。

<button type="button" class="signin-switch-button">手机验证码登录</button>

<a class="unable-login" href="#">无法登录？</a>
</div>


<div class="social-signup-wrapper" data-za-module="SNSSignIn">

<span class="name js-toggle-sns-buttons">社交帐号登录</span>

<div class="sns-buttons">

<a title="微信登录" class="js-bindwechat" href="#"><i class="sprite-index-icon-				wechat"></i></a>

<a title="微博登录" class="js-bindweibo" href="#"><i class="sprite-index-icon-				weibo"></i></a>

<a title="QQ 登录" class="js-bindqq" href="#"><i class="sprite-index-icon-qq"></i></a>
</div>

再次回到官方文档 http://docs.python-requests.org/zh_CN/latest/user/quickstart.html#cookie

如果某个响应中包含一些 cookie，你可以快速访问它们：

url = 'http://example.com/some/cookie/setting/url' r = requests.get(url)

r.cookies['example_cookie_name'] 'example_cookie_value' 要想发送你的 cookies 到服务器，可以使用 cookies 参数：

url = 'http://httpbin.org/cookies' cookies = dict(cookies_are='working')

r = requests.get(url, cookies=cookies) r.text '{"cookies": {"cookies_are": "working"}}'

具体的分析过程可以参考 xchaoinfo 所写的文章和视频，讲解十分清晰 https://zhuanlan.zhihu.com/p/25633789 下面是代码

import requests
from bs4 import BeautifulSoup
import os, time
import re

import http.cookiejar as cookielib

构造 Request headers

agent = 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'

headers = {

"Host": "www.zhihu.com",

"Referer": "https://www.zhihu.com/",

'User-Agent': agent

}

######### 构造用于网络请求的 session session = requests.Session()

session.cookies = cookielib.LWPCookieJar(filename='zhihucookie')

try:

session.cookies.load(ignore_discard=True)

except:

print('cookie 文件未能加载')

############ 获取 xsrf_token

homeurl = 'https://www.zhihu.com'
homeresponse = session.get(url=homeurl, headers=headers)
homesoup = BeautifulSoup(homeresponse.text, 'html.parser')
xsrfinput = homesoup.find('input', {'name': '_xsrf'})
xsrf_token = xsrfinput['value']
print("获取到的 xsrf_token 为： ", xsrf_token)

########## 获取验证码文件

randomtime = str(int(time.time() * 1000))
captchaurl = 'https://www.zhihu.com/captcha.gif?r='+\
         randomtime+"&type=login"

captcharesponse = session.get(url=captchaurl, headers=headers)
with open('checkcode.gif', 'wb') as f:

f.write(captcharesponse.content)

f.close()

os.startfile('checkcode.gif')

captcha = input('请输入验证码：')

print(captcha)

########### 开始登陆

headers['X-Xsrftoken'] = xsrf_token

headers['X-Requested-With'] = 'XMLHttpRequest'

loginurl = 'https://www.zhihu.com/login/email'

postdata = {
'_xsrf': xsrf_token,
'email': '邮箱 @qq.com',
'password': '密码'

}

loginresponse = session.post(url=loginurl, headers=headers, data=postdata)
print('服务器端返回响应码：', loginresponse.status_code)
print(loginresponse.json())

验证码问题输入导致失败: 猜测这个问题是由于 session 中对于验证码的请求过期导致

if loginresponse.json()['r']==1:

重新输入验证码，再次运行代码则正常。也就是说可以再第一次不输入验证码，或者输入一个错误的验证码，只有第二次才是有效的

randomtime = str(int(time.time() * 1000))

captchaurl = 'https://www.zhihu.com/captcha.gif?r=' + \
             randomtime + "&type=login"
captcharesponse = session.get(url=captchaurl, headers=headers)

with open('checkcode.gif', 'wb') as f:
    f.write(captcharesponse.content)
    f.close()

os.startfile('checkcode.gif')

captcha = input('请输入验证码：')

print(captcha)

postdata['captcha'] = captcha

loginresponse = session.post(url=loginurl, headers=headers, data=postdata)

print('服务器端返回响应码：', loginresponse.status_code)

print(loginresponse.json())

##########################保存登陆后的 cookie 信息

session.cookies.save()

############################判断是否登录成功

profileurl = 'https://www.zhihu.com/settings/profile'

profileresponse = session.get(url=profileurl, headers=headers)

print('profile 页面响应码：', profileresponse.status_code)

profilesoup = BeautifulSoup(profileresponse.text, 'html.parser')

div = profilesoup.find('div', {'id': 'rename-section'})

print(div)

好了关于爬虫的第一步，获取源码这一节讲了很多，其实大多数网站加上 User-Agent 和代理 IP 就可以正常爬取。下一节会讲讲如何利用 xpath 来解析网页，获取我们想要的数据。

16 条回复 • 2017-06-01 14:18:12 +08:00