代理-cookie-验证码识别-模拟登录

错误码:ConectionPool:

爬虫报错原因；

1.在短时间内向网站发起了一个高频的请求
# 使用代理
2.连接池(http)中的资源被耗尽
# 立即将请求断开:Connection:close

1
2
3
4

xpth和bs4两种解析方式最大的区别；

- 数据解析的作用:为了实现聚焦爬虫
    - bs4:
        - soup.tagName
        - find/find_all('tagName',attrName='value')
        - select('Selector')
            - > 空格
        - string/text
        - tag['href']
    - xpath:
        - //tagName
        - //tagName[@attrName="value"]
        - //div[1]
        - //text  or /text
        - //a/@href
    - bs4和xpath最明显的一个区别什么?
    - 解析出携带标签的局部内容?
        - bs4相关标签定位的方法或者属性返回值就是携带标签的内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# 1.代理(proxy)

代理服务器:实现请求转发,从而可以实现更换请求的ip地址
代理的匿名度:
- 透明:服务器知道你使用了代理并且知道你的真实ip
- 匿名:服务器知道你使用了代理,但是不知道你的真实ip
- 高度匿名(高匿):服务器不知道你使用了代理,更不知道你的真实ip
代理的类型:
- http:该类型的代理只可以转发http协议的请求
- https:只可以转发https协议的请求

requests请求中更换ip:

在requests添加一个参数 proxies={'http/https':'ip:port'}

import requests
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
}
url = 'https://www.baidu.com/s?wd=ip'
#proxies={'http/https':'ip:port'}
page_text = requests.get(url=url,headers=headers,proxies={'https':'1.197.203.187:9999'}).text
with open('ip.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

1
2
3
4
5
6
7
8
9

免费代理ip的网站
- 快代理
- 西祠代理
- goubanjia
  - 代理精灵(推荐):http://http.zhiliandaili.cn/ (opens new window)
在爬虫中遇到ip被禁掉如何处理?
- 使用代理
- 构建一个代理池
- 拨号服务器

代理池构建

#基于代理精灵构建一个ip池
from lxml import etree
all_ips = [] # 列表形式的代理池
proxy_url = 'http://t.11jsq.com/index.php/api/entry?method=proxyServer.generate_api_url&packid=1&fa=0&fetch_key=&groupid=0&qty=52&time=1&pro=&city=&port=1&format=html&ss=5&css=&dt=1&specialTxt=3&specialJson=&usertype=2'  # 代理ip地址
proxy_page_text = requests.get(url=proxy_url,headers=headers).text
tree = etree.HTML(proxy_page_text)
proxy_list = tree.xpath('//body//text()')
for ip in proxy_list:
    dic = {'https':ip}
    all_ips.append(dic)
all_ips

import random

#爬取西祠代理中的免费代理ip
url = 'https://www.xicidaili.com/nn/%d'
free_proxies = []
for page in range(1,30):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree = etree.HTML(page_text)
    tr_list = tree.xpath('//*[@id="ip_list"]//tr')[1:]#xpath表达式中不可以出现tbody
    for tr in tr_list:
        ip = tr.xpath('./td[2]/text()')[0]
        port = tr.xpath('./td[3]/text()')[0]
        t_type = tr.xpath('./td[7]/text()')[0]
        
        dic = {
            'ip':ip,
            'port':port,
            'type':t_type
        }
        free_proxies.append(dic)
    print('第{}页爬取完毕!!!'.format(page))
print(len(free_proxies))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

作用:保存客户端的相关状态
在请求中携带cookie,在爬虫中如果遇到了cookie的反爬如何处理?
- 手动处理
  - 在抓包工具中捕获cookie,将其封装在headers中
  - 应用场景:cookie没有有效时长且不是动态变化
- 自动处理
  - 使用session机制
  - 使用场景:动态变化的cookie
  - session对象:该对象和requests模块用法几乎一致.如果在请求的过程中产生了cookie,如果该请求使用session发起的,则cookie会被自动存储到session中.
```
import requests
session = requests.Session()
main_url = 'https://xueqiu.com' #推测对该url发起请求会产生cookie
session.get(main_url,headers=headers)

url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json'
params = {
    'since_id': '-1',
    'max_id': '20346152',
    'count': '15',
    'category': '-1',
}
page_text = session.get(url,headers=headers,params=params).json()
page_text
```
1
2
3
4
5
6
7
8
9
10
11
12
13
14

# 3.验证码的识别

相关的线上打码平台识别
- 打码兔
- 云打码
- 超级鹰:
  
  http://www.chaojiying.com/about.html
  - 1.注册,登录(用户中心的身份认证)
  - 2.登录后:
    - 创建一个软件:软件ID->生成一个软件id
    - 下载示例代码:开发文档->python->下载

# 4.模拟登录

为什么在爬虫中需要实现模拟登录?
- 有的数据是必须经过登录后才可以显示出来的!

涉及到的反爬:

robots.txt
UA 伪装
图片懒加载
验证码
动态请求参数:每次请求对应的请求参数都是动态变化
- 动态捕获:通常情况下,动态的请求参数都会被隐藏在前台页面的源码中
cookie

# 古诗文网 验证码模拟的登录
def getCodeImgText(imgPath,img_type):
    chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')	#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//
    return chaojiying.PostPic(im, img_type)['pic_str']

#使用session捕获cookie
s = requests.Session()
first_url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
s.get(first_url,headers=headers)

url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
img_code_data = s.get(img_src,headers=headers).content
with open('./gushiwen.jpg','wb') as fp:
    fp.write(img_code_data)
img_text = getCodeImgText('./gushiwen.jpg',1004)
print(img_text)

#动态捕获动态的请求参数
__VIEWSTATE = tree.xpath('//*[@id="__VIEWSTATE"]/@value')[0]
__VIEWSTATEGENERATOR = tree.xpath('//*[@id="__VIEWSTATEGENERATOR"]/@value')[0]

#点击登录按钮后发起请求的url:通过抓包工具捕获
login_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'
data = {
    '__VIEWSTATE': __VIEWSTATE,
    '__VIEWSTATEGENERATOR': __VIEWSTATEGENERATOR,
    'from': 'http://so.gushiwen.org/user/collect.aspx',
    'email': 'www.zhangbowudi@qq.com',
    'pwd': 'bobo328410948',
    'code': img_text,
    'denglu': '登录',
}
main_page_text = s.post(login_url,headers=headers,data=data).text
with open('main.html','w',encoding='utf-8') as fp:
    fp.write(main_page_text)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

#Python #

上次更新: 2023/04/16, 18:35:33

← bs4 和 xpath 线程池-协程-aiohttp-selenium→

代理-cookie-验证码识别-模拟登录

# 1.代理(proxy)

# 2.cookie

# 3.验证码的识别

# 4.模拟登录