菜单

python爬取知网

2019年3月22日 - 皇家赌场系统

前不久在操演写爬虫的时候,正巧同学的女对象有要求,大概是爬取知网内的几千个主旨的数码,每八个焦点的条数记录有几条的到几千条的不比,总来的来说也算是个上万数据级的爬虫了,分析了下知网,发现选用专业检索,能够达成本身的对象,然后经过chrome的developer
tools大致分析了下了请求数据包,发现知网的查询是分成两步的,第3步是1个总的请求(查询的标准化基本上都在率先步里面了),会重临2个串

git链接:

https://github.com/zhaozhengcoder/Spider/tree/master/spider\_zhihu

except:

2.IP限制

界定IP也是多多益善网站反爬虫的初衷,有个外人不论写一个循环,就起来暴力爬取
,确实会给网站服务器带来相当大的承受,而那种反复的造访,分明也不会是动真格的用户作为,索性果断把你封掉。

理所当然,攻击者能够通过持续换IP的款型来绕过那种范围。而且封IP会流失用户,一般情状下不会利用。

在那个等级,主要的思路就是差不离要和在网页上的拜访保持一致,保险自身拼的url和在网页上访问的时候是一致的,当然是在承接保险能访问的前提下,能略去的就略去。

爬取天涯论坛的第①的有个别:模拟登陆

通过对博客园登陆是的抓包,可以窥见登陆网易,要求post多少个参数,1个是账号,二个是密码,3个是xrsf。
其一xrsf隐藏在表单里面,每回登陆的时候,应该是服务器随机发生贰个字符串。全部,要效仿登陆的时候,必须求获得xrsf。

用chrome (或许火狐 httpfox 抓包分析)的结果:

image.png

从而,须求求获得xsrf的数值,注意那是三个动态变化的参数,每一回都分化。

image.png

注意findall和find_all函数的差距。

获得xsrf,上边就能够效仿登陆了。
采纳requests库的session对象,建立2个会话的裨益是,能够把同一个用户的不一致请求联系起来,直到会话结束都会自行处理cookies。

image.png

在意:cookies
是当前目录的三个文件,那一个文件保留了今日头条的cookie,假诺是率先个登陆,那么自然是从未有过那几个文件的,不能经过cookie文件来登陆。必须要输入密码。

def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1\d{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

那是登陆的函数,通过login函数来登陆,post 本人的账号,密码和xrsf
到搜狐登陆认证的页面上去,然后拿走cookie,将cookie保存到当前目录下的文书之中。下次登陆的时候,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文件的始末

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 captcha\n>")
    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"^1\d{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)

运作结果:

image.png

#(代码补充表明:标注“参数设置”前面的代码中得以由此不难修改,就能够爬取分裂大旨,不相同页数,使用不一样的代理IP

查找了绝大部分素材,反爬虫策略只是为了让爬虫更扑朔迷离,更麻烦,目前貌似没有能一劳永逸的方案。

图片 1

网易已经化为了爬虫的篮球馆,本文利用Python中的requests库,模拟登陆网易,获取cookie,保存到地头,然后这一个cookie作为登陆的凭据,登陆今日头条的主页面,爬取腾讯网主页面上的题材和呼应难点答疑的摘要。

有关天涯论坛验证码登陆的难题,用到了Python上3个首要的图形处理库PIL,若是那多少个,就把图纸存到本地,手动输入。

#-加载将会使用到的函数库

以下的国策只是增多爬虫的难度,扩充爬虫开销。

假诺你需求一个绝妙的就学交换条件,那么您能够设想Python学习沟通群:548377875;
借使你需求一份系统的学习材料,那么您能够设想Python学习交换群:548377875。

PPS:小编所知晓的爬虫与反爬虫策略

反爬虫最大旨的方针:

  1. 检查浏览器http请求里面的user-agent字段
  2. 检查http请求的referer(即日前的那个页面是从哪个页面跳转过来的)

爬虫策略:
那四个都以在http协议的报文段的反省,同样爬虫端能够很有益的装置那个字段的值,来自欺欺人服务器。

反爬虫进阶策略:
1.像腾讯网一样,在报到的表单里面放入3个隐藏字段,里面会有1个随机数,每趟都区别,这样除非您的爬虫脚本能够分析那一个自由数,不然下次爬的时候就万分了。
2.记下走访的ip,计算访问次数,借使次数太高,能够认为这么些ip有题目。

爬虫进阶策略:
1.像那篇小说提到的,爬虫也能够先解析一下隐藏字段的值,然后再拓展模拟登录。
2.爬虫能够运用ip代理池的格局,来制止被察觉。同时,也得以爬一会休息一会的方法来降低功效。其它,服务器依据ip访问次数来进展反爬,再ipv6没有全面推广的时代,这些政策会很不难造成伤害。(那么些是自身个人的领悟)。

反爬虫进进阶策略:
1.多少投毒,服务器在融洽的页面上放置很多隐形的url,这个url存在于html文件文件之中,可是通过css只怕js使她们不会被出示在用户看到的页面上边。(确定保证用户点击不到)。那么,爬虫在爬取网页的时候,很用大概取访问这一个url,服务器能够百分百的以为那是爬虫干的,然后能够回来给他某些错误的数额,恐怕是拒绝响应。

爬虫进进阶策略:
1.相继网站即使供给反爬虫,不过不能把百度,谷歌(Google)那般的搜寻引擎的爬虫给干了(干了的话,你的网站在百度都说搜不到!)。那样爬虫应该就足以以假乱真是百度的爬虫去爬。(但是ip只怕大概被查出,因为您的ip并不是百度的ip)

反爬虫进进进阶策略:
给个验证码,让您输入今后才能登录,登录之后,才能访问。

爬虫进进进阶策略:
图像识别,机器学习,识别验证码。可是那几个理应相比较难,或许说费用相比较高。

参考资料:
廖雪峰的python教程
静觅的python教程
requests库官方文档
segmentfault下边有1个人的有关新浪爬虫的博客,找不到链接了

if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==4:

以下是网上征集的取得不到HTTP_REFERE宝马7系值的状态:

① 在浏览器内直接敲U昂CoraL

② windows桌面上的超链接图标

③浏览器内书签

④第二方软件(如Word,Excel等)内容中的链接

⑤SSL认证网站跳入

⑥;
meta页面设置自动跳转时,在example.com将取不到REFERELAND U索罗德L

⑦使用JavaScript的Location.href或者是Location.replace()

那应当是最常见的,最基本的反爬虫手段,首假使开首判断你是还是不是是真实的浏览器在操作。

                                                                     
 图一.询问记录请求报文头

#!/usr/bin/env python3

1.Headers限制

图片 2

自小编批评User-Agent属性,判断是或不是为浏览器访问。

反省Referer属性,判断来源。

然后,大约就摸清楚了那3个数码获得的长河,我的思路是先完毕2个多少级的数额获得,也正是爬取一条,然后再去扩充,加线程,加ip代理,加user_agent等等。

图片 3

5.回到伪造的新闻

规定该请求为爬虫请求后,重回虚假混乱的数额增添筛选复杂度。

以下是援引sexycoder的观点:

反爬虫最大旨的方针:

1.反省浏览器http请求里面包车型客车user-agent字段

2.反省http请求的referer(即眼下的这几个页面是从哪个页面跳转过来的)

爬虫策略:

那多个都是在http协议的报文段的反省,同样爬虫端可以很便利的安装这一个字段的值,来招摇撞骗服务器。

反爬虫进阶策略:

1.像天涯论坛一样,在签到的表单里面放入三个隐藏字段,里面会有叁个随便数,每一回都不均等,那样除非您的爬虫脚本能够分析那几个自由数,不然下次爬的时候就尤其了。

2.笔录走访的ip,总计访问次数,就算次数太高,能够认为那几个ip非凡。

爬虫进阶策略:

1.像这篇作品提到的,爬虫也得以先解析一下隐藏字段的值,然后再拓展模拟登录。

2.爬虫能够选择ip代理池的章程,来制止被发觉。同时,也足以爬一会休息一会的措施来下滑功效。此外,服务器依据ip访问次数来进展反爬,再ipv6没有周到推广的时代,那些方针会很不难导致损害。

反爬虫进进阶策略:

1.多少投毒,服务器在协调的页面上放置很多藏身的url,这么些url存在于html文件文件之中,不过经过css恐怕js使她们不会被出示在用户观察的页面上边。(确定保证用户点击不到)。那么,爬虫在爬取网页的时候,很用大概取访问这一个url,服务器能够百分之百的以为这是爬虫干的,然后能够回到给她某个错误的数目,大概是拒绝响应。

爬虫进进阶策略:

1.各类网站就算须要反爬虫,不过不可见把百度,谷歌(谷歌(Google))这么的查找引擎的爬虫给干了(干了的话,你的网站在百度都说搜不到!)。那样爬虫应该就能够以假乱真是百度的爬虫去爬。(可是ip可能可能被查出,因为您的ip并不是百度的ip)

反爬虫进进进阶策略:

给个验证码,让您输入未来才能登录,登录之后,才能访问。

爬虫进进进阶策略:
图像识别,机器学习,识别验证码。但是这些应该相比较难,只怕说花费相比较高。  

在饱受了各类socket 10054
10061等颠倒是非,通过百度各类技术,加上了ip代理等部分主意,最后笔者或许完结这一次职务,当然最后照旧增加了文件读取,职责队列等模块,大约正是2个线程专责输出文件,别的八个线程去职分池里面取职责爬数据,详细略过,见代码。有纰漏之处,还请斧正。

原来的小说刊载在本身的私有微信公众号上,欢迎关注: 

4.验证码

给用户请求次数加二个阀值,超过该阀值,弹出验证码界面。

由此可知,正是对此有些懂web的爬虫小白,最棒正是还原网站原本的伸手,那样基本上请求数据就不会有太大标题了。

ws.cell(row=num+1,
column=7).value=ftext_r.xpath(‘//ul[@class=”break”]/li[4]/text()’)[0]

3.动态加载

经过异步加载,一方面是为了反爬虫,一方面也得以给网页浏览带来差异的体会,达成越多的功力。很多动态网站都以通过ajax或然JavaScript来加载请求的网页。

在成就了数额级为一的级别后,就从头准备大范围地获取数据了,那时候就要考虑功用以及幸免网站踢人了。

def get_ip_list(urlip,headers2):

图片 4

from openpyxl import Workbook         # 创制表格并用以数据写入

然后提多少个细节呢,知网的央求url上,有局部数量段一起头是不清楚它的意思的,不过自个儿去拼接待上访问的时候发现,缺了网站就会报错,那时候就足以多尝试多少个不等的访问,去拿它的请求heads,然后相互比较,就会意识一些字段是固定不变的,这种就能够直接照搬,有的吧,是转变的,那种就需求密切去分析到底是怎么着数据,有怎么样意义,知网的就回顾三个飞秒数,这么些自家一伊始就没懂具体意思,后来分析了下感到像时光,然后去取了下当前的微秒时间,一相比较发现大致是大致,就现阶段的微秒时间拼在了url串上边。

读书爬虫初始,笔者就想着对CNKI主题文献进行爬虫,对感兴趣的主旨文章展开抓取,获取相关小说的着力新闻和摘要,方便急忙领会某三个世界的研商进度,重点等等。

 

在此爬虫程序编写制定进程,供给留意多少个难题。

剖析它原先的乞请url的时候,使用url转码工具得以将转码未来的url还原,更直白地分析。

此地 ul 标签 class属性为 break 下 也许存在4 li 标签, 也能是叁个li标签,全体通过判断语句,然后分别处理获取供给的消息。

下一场才能做第3步的数额请求(下方的截图对应网页上的不一致区域的请求报文头和再次回到数据)

url_all=url+str(15*(i-1))

def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)

except:

                                                                       
图二. 对应区别年份的记录条数重回结果

r=etree.HTML(file)                                            #
获取网页音讯,并且解析 使用xpath

关于怎么要分成两步,各种区域对应二个不等的伸手,那个都以网站本身的宏图,笔者也没做过web开发,这么做有如何优点笔者的确不精通/擦汗,小编的根本正是仿照它在网页上的呼吁,完结批量化的数码得到。

try:

图片 5

f=requests.get(test,headers=headers)                   #  获得网页源码

if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==3:

ws.cell(row=1, column=3).value =”Author”

ip_list = []

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143
Safari/537.36’

return ip_list

6. 网站源码本人的畸形:

ws.cell(row=1, column=8).value =”Keywords”

if __name__==’__main__’:

for i in range(pagestart,pageend+1):

j=j+1

对CNKI网站进行爬虫时,发现当爬取450篇音讯后,IP
就会被遮挡,供给填写验证码,导致力不从心连接爬取,因而供给设置代理IP。 
代理IP地址可以去部分网站去爬取,本程序使用了:

## 获得三个代理 IP

2. 剖析网站U库罗德L:

try:

将图中的USportageL复制出来,获得上面包车型客车U宝马X3L:
urllib.unquote() 解码。

ws.cell(row=num+1,
column=2).value=str(ftext_r.xpath(‘//title/text()’)[0]).replace(‘ –
中中原人民共和国学术期刊网络出版总库’,”)   # 获得作品标题

soup = BeautifulSoup(web_data.text, ‘lxml’)

ws.cell(row=1, column=7).value =”Download”

诚如我们进去知网是,www.cnki.net,小编发觉对此网站实行爬取,难以取得完整的网站源码,最终发现
能收获完整源码。

for urli in urllist:

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图