天天看点
返回

Python爬虫实战——反爬机制的解决策略【阿里】

这一次呢，让我们来试一下“CSDN热门文章的抓取”。

话不多说，让我们直接进入CSND官网。

（其实是因为我被阿里的反爬磨到没脾气，不想说话……）

一、URL分析

输入“Python”并点击搜索：

Python爬虫实战——反爬机制的解决策略【阿里】

便得到了所有关于“Python”的热门博客，包括 [ 标题，网址、阅读数 ] 等等，我们的任务，就是爬取这些博客。

Python爬虫实战——反爬机制的解决策略【阿里】

分析一下上图中曲线处的URL，不难发现：p为页数，q为关键字。

二、XPath路径

打开开发者模式，匹配我们所需信息的标签：

  • 通过

    //dd[@class='author-time']/span[@class='link']/a/@href

     匹配各个博客的URL地址；
    Python爬虫实战——反爬机制的解决策略【阿里】

  • //h1[@class='title-article']/text()

     匹配各个博客的标题。
    Python爬虫实战——反爬机制的解决策略【阿里】

    注意：

    对于XPath路径有疑问的话，可复习《XPath语法的学习与lxml模块的使用》。

三、代码实现

1.定制输入框：

keyword = input("请输入关键词：")
pn_start = int(input("起始页："))
pn_end = int(input("终止页："))

2.确定URL：

# 注意要+1
for pn in range(pn_start, pn_end+1):
    url = "https://so.csdn.net/so/search/s.do?p=%s&q=%s&t=blog&viparticle=&domain=&o=&s=&u=&l=&f=&rbg=0" % (pn, keyword)

3.构建request对象：

# 返回request对象
def getRequest(url):
    return ur.Request(
        url=url,
        headers={
            'User-Agent': user_agent.get_user_agent_pc(),
        }
    )
    
for pn in range(pn_start, pn_end+1):
    url = "https://so.csdn.net/so/search/s.do?p=%s&q=%s&t=blog&viparticle=&domain=&o=&s=&u=&l=&f=&rbg=0" % (pn, keyword)
    # 构建request对象
    request = getRequest(url)

4.爬取博客网站：

# 打开request对象
	response = ur.urlopen(request).read()
	# response为字节，可直接进行le.HTML将其解析成xml类型
	href_s = le.HTML(response).xpath("//dd[@class='author-time']/span[@class='link']/a/@href")
	print(href_s)

输出如下：

Python爬虫实战——反爬机制的解决策略【阿里】

5.遍历href_s列表，输出网址和标题：

for href in href_s:
        print(href)
        response_blog = ur.urlopen(getRequest(href)).read()
        title = le.HTML(response_blog).xpath("//h1[@class='title-article']/text()")[0]
        print(title)
Python爬虫实战——反爬机制的解决策略【阿里】

结果倒是出来了，但

list index out of range

是什么鬼？？？

6.打印open结果进行检查：

for href in href_s:
        try:
            print(href)
            response_blog = ur.urlopen(getRequest(href)).read()
            print(response_blog)
Python爬虫实战——反爬机制的解决策略【阿里】

有爬到东西，但似乎不是我们想要的网页内容？？？看着这乱七八糟的

\x1f\x8b\x08\x00

，我一下子想到了 “ 编码 ” 的问题。

7.九九八十一难：

  • encode

     和

    decode

     ；

  • UTF-8

    GBK

  • bytes

    str

  • urlencode

    unquote

  • dumps

    loads

  • request

    requests
  • 甚至是

    accept-encoding: gzip, deflate
  • ······
  • 等等等等；

结果！竟然！都不是！！！啊啊啊啊~ ~ ~ ~

罢了罢了，bug还是要解决的_(:3」∠❀)_

8.灵机一动！难道是

cookie

？？？

# 返回request对象
def getRequest(url):
    return ur.Request(
        url=url,
        headers={
            'User-Agent': user_agent.get_user_agent_pc(),
            'Cookie': 'acw_tc=2760825115771713670314014ebaddd9cff4024b9ed3255873ddb28d85e269; acw_sc__v2=5e01b9a7ea60f5bf87d21658f23db9678e320a82; uuid_tt_dd=10_19029403540-1577171367226-613100; dc_session_id=10_1577171367226.599226; dc_tos=q3097q; Hm_lvt_6bcd52f51e9b3dce32bec4a3997715ac=1577171368; Hm_lpvt_6bcd52f51e9b3dce32bec4a3997715ac=1577171368; Hm_ct_6bcd52f51e9b3dce32bec4a3997715ac=6525*1*10_19029403540-1577171367226-613100; c-login-auto=1; firstDie=1; announcement=%257B%2522isLogin%2522%253Afalse%252C%2522announcementUrl%2522%253A%2522https%253A%252F%252Fblog.csdn.net%252Fblogdevteam%252Farticle%252Fdetails%252F103603408%2522%252C%2522announcementCount%2522%253A0%252C%2522announcementExpire%2522%253A3600000%257D',
        }
    )
Python爬虫实战——反爬机制的解决策略【阿里】

成功！！

才明白过来，原来我一直走错了方向啊，竟然是阿里反爬机制搞的鬼。I hate you。╭(╯^╰)╮

9.将网页写入本地文件：

with open('blog/%s.html' % title, 'wb') as f:
        f.write(response_blog)

10.加入异常处理代码try-except：

try:
        ······
        ······
    except Exception as e:
        print(e)

讲到这里就结束了，大家有心思的话可以自己再把本文的代码进行完善：比如将异常写入到TXT中，方便后续进行异常分析；比如对爬取结果进行筛选，提高数据的针对性；等等。

全文完整代码： 

import urllib.request as ur
import user_agent
import lxml.etree as le

keyword = input("请输入关键词：")
pn_start = int(input("起始页："))
pn_end = int(input("终止页："))


# 返回request对象
def getRequest(url):
    return ur.Request(
        url=url,
        headers={
            'User-Agent': user_agent.get_user_agent_pc(),
            'Cookie': 'uuid_tt_dd=10_7175678810-1573897791171-515870; dc_session_id=10_1573897791171.631189; __gads=Test; UserName=WoLykos; UserInfo=b90874fc47d447b8a78866db1bde5770; UserToken=b90874fc47d447b8a78866db1bde5770; UserNick=WoLykos; AU=A57; UN=WoLykos; BT=1575250270592; p_uid=U000000; Hm_ct_6bcd52f51e9b3dce32bec4a3997715ac=6525*1*10_7175678810-1573897791171-515870!5744*1*WoLykos; Hm_lvt_e5ef47b9f471504959267fd614d579cd=1575356971; Hm_ct_e5ef47b9f471504959267fd614d579cd=5744*1*WoLykos!6525*1*10_7175678810-1573897791171-515870; __yadk_uid=qo27C9PZzNLSwM0hXjha0zVMAtGzJ4sX; Hm_lvt_70e69f006e81d6a5cf9fa5725096dd7a=1575425024; Hm_ct_70e69f006e81d6a5cf9fa5725096dd7a=5744*1*WoLykos!6525*1*10_7175678810-1573897791171-515870; acw_tc=2760824315766522959534770e8d26ee9946cc510917f981c1d79aec141232; UM_distinctid=16f1e154f3e6fc-06a15022d8e2cb-7711a3e-e1000-16f1e154f3f80c; searchHistoryArray=%255B%2522python%2522%252C%2522Python%2522%255D; firstDie=1; Hm_lvt_6bcd52f51e9b3dce32bec4a3997715ac=1577156990,1577157028,1577167164,1577184133; announcement=%257B%2522isLogin%2522%253Atrue%252C%2522announcementUrl%2522%253A%2522https%253A%252F%252Fblog.csdn.net%252Fblogdevteam%252Farticle%252Fdetails%252F103603408%2522%252C%2522announcementCount%2522%253A0%252C%2522announcementExpire%2522%253A3600000%257D; TY_SESSION_ID=6121abc2-f0d2-404d-973b-ebf71a77c098; acw_sc__v2=5e01ee7889eda6ecf4690eab3dfd334e8301d2f6; acw_sc__v3=5e01ee7ca3cb12d33dcb15a19cdc2fe3d7735b49; dc_tos=q30jqt; Hm_lpvt_6bcd52f51e9b3dce32bec4a3997715ac=1577185014',
        }
    )


# 注意要+1
for pn in range(pn_start, pn_end+1):
    url = "https://so.csdn.net/so/search/s.do?p=%s&q=%s&t=blog&viparticle=&domain=&o=&s=&u=&l=&f=&rbg=0" % (pn, keyword)
    # 构建request对象
    request = getRequest(url)

    try:
        # 打开request对象
        response = ur.urlopen(request).read()
        # response为字节，可直接进行le.HTML将其解析成xml类型
        href_s = le.HTML(response).xpath("//dd[@class='author-time']/span[@class='link']/a/@href")
        # print(href_s)
        for href in href_s:
            try:
                print(href)
                response_blog = ur.urlopen(getRequest(href)).read()
                # print(response_blog)
                title = le.HTML(response_blog).xpath("//h1[@class='title-article']/text()")[0]
                print(title)
                with open('blog/%s.html' % title, 'wb') as f:
                    f.write(response_blog)
            except Exception as e:
                print(e)
    except:
        pass

全文完整代码（代理IP）： 

import urllib.request as ur
import lxml.etree as le
import user_agent

keyword = input('请输入关键词:')
pn_start = int(input('起始页:'))
pn_end = int(input('终止页:'))

def getRequest(url):
    return ur.Request(
        url=url,
        headers={
            'User-Agent':user_agent.get_user_agent_pc(),
        }
    )

def getProxyOpener():
    proxy_address = ur.urlopen('http://api.ip.data5u.com/dynamic/get.html?order=d314e5e5e19b0dfd19762f98308114ba&sep=4').read().decode('utf-8').strip()
    proxy_handler = ur.ProxyHandler(
        {
            'http':proxy_address
        }
    )
    return ur.build_opener(proxy_handler)


for pn in range(pn_start, pn_end+1):
    request = getRequest(
        'https://so.csdn.net/so/search/s.do?p=%s&q=%s&t=blog&domain=&o=&s=&u=&l=&f=&rbg=0' % (pn,keyword)
    )
    try:
        response = getProxyOpener().open(request).read()
        href_s = le.HTML(response).xpath('//span[@class="down fr"]/../span[@class="link"]/a/@href')
        for href in href_s:
            try:
                response_blog = getProxyOpener().open(
                    getRequest(href)
                ).read()
                title = le.HTML(response_blog).xpath('//h1[@class="title-article"]/text()')[0]
                print(title)
                with open('blog/%s.html' % title,'wb') as f:
                    f.write(response_blog)
            except Exception as e:
                print(e)
    except:pass

为我心爱的女孩~~

一个佛系的博客更新者，随手写写，看心情吧 (っ•̀ω•́)っ✎⁾⁾

爬虫 Python lxml urllib xpath error
上一篇: Python爬虫实战——反爬策略之代理IP【无忧代理】
下一篇: 写在研究生入学之前

继续阅读