【Python55--爬虫：代理】

一、反爬虫之隐藏

1、网站检查访问的是正常用户还是程序，关键在于User-Agent

1）、第一种方法：采用header

--修改header(两种方法):

　　--> 在Request之前通过headers参数修改

　　--> 在Request之后通过Request.add_header()修改

import urllib.request

import urllib.parse

import json

import random

import time

import hashlib

#用户输入翻译的内容

content = input('请输入需要翻译的内容：')

#连接url地址

url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

#第一种方法：

#head = {}

#head['User-Agent']='Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'

#发送给服务器请求的数据

data = {}

#此部分数据来源于：FromData

data['i']= content

data['from']= 'AUTO'

data['to']= 'AUTO'

data['smartresult']= 'dict'

data['client']= 'fanyideskweb'

data['salt']= ''

data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'

data['ts']= ''

data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'

data['doctype']= 'json'

data['version']= '2.1'

data['keyfrom']= 'fanyi.web'

data['action']= 'FY_BY_CLICKBUTTION'

data['typoResult']= 'false'

#对数据进行编码处理

data = urllib.parse.urlencode(data).encode('utf-8')

#创建一个request对象，把url和data传进去，并且使用POS请求

request = urllib.request.Request(url = url,data=data,method='POST')

#第二种方法：

request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')

#打开请求

reponsend =urllib.request.urlopen(request)

#读取返回来的数据

html = reponsend.read().decode('utf-8')

#把返回来的json字符串解析成字典

line = json.loads(html)

#print(line)

#获取翻译结果

print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))

2）、要想爬取很多内容，修改header就达不到这种效果了，就需要采用代理

　　-- 两种方法：

　　　--> time.sleep() 方法 (效率低)

　　　--> 使用代理

#time.sleep()方法
import urllib.request

import urllib.parse

import json

import random

import time

import hashlib

while True:

    #用户输入翻译的内容

    content = input('请输入需要翻译的内容(输入q!退出程序)：')

    if content=='q!':

        break

    #连接url地址

    url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

    #发送给服务器请求的数据

    data = {}

    #此部分数据来源于：FromData

    data['i']= content

    data['from']= 'AUTO'

    data['to']= 'AUTO'

    data['smartresult']= 'dict'

    data['client']= 'fanyideskweb'

    data['salt']= ''

    data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'

    data['ts']= ''

    data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'

    data['doctype']= 'json'

    data['version']= '2.1'

    data['keyfrom']= 'fanyi.web'

    data['action']= 'FY_BY_CLICKBUTTION'

    data['typoResult']= 'false'

    #对数据进行编码处理

    data = urllib.parse.urlencode(data).encode('utf-8')

    #创建一个request对象，把url和data传进去，并且使用POS请求

    request = urllib.request.Request(url = url,data=data,method='POST')

    #打开请求

    reponsend =urllib.request.urlopen(request)

    #读取返回来的数据

    html = reponsend.read().decode('utf-8')

    #把返回来的json字符串解析成字典

    line = json.loads(html)

    #print(line)

    #获取翻译结果

    print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))

    time.sleep(3)

执行结果：

请输入需要翻译的内容(输入q!退出程序)：爱国

翻译的结果：patriotic

请输入需要翻译的内容(输入q!退出程序)：乘法

翻译的结果：The multiplication

请输入需要翻译的内容(输入q!退出程序)：q!

>>>

-->代理步骤：

1、参数是一个字典{'类型':'代理IP：端口号'}

proxy_support = urllib.request.ProxyHandler({})

2、定制、创建一个opener

opener = urllib.request.build_opener(proxy_support)

3a、安装opener

urllib.request.install_opener(opener)

3b、调用opener

opener.open(url)

import urllib.request

import random

#此网址显示当前IP的所在地址

url = 'http://www.whatismyip.com.tw'

iplist=['123.139.56.238:9999','163.125.158.250:8888','113.200.214.164:9999','111.11.98.58:9000','221.178.176.25:3128']

proxy_support = urllib.request.ProxyHandler({'http':random.choice(iplist)})

opener = urllib.request.build_opener(proxy_support)

opener.addheaders=[('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')]

urllib.request.install_opener(opener)

response=urllib.request.urlopen(url)

html = response.read().decode('utf-8')

print(html)

二、动手题

1、编写一个爬虫，爬百度百科“网络爬虫”的词条，（连接： http://baike.baidu.com/view/284853.htm），将所有包含“view”的连接按下边格式打印出来：

'''

|-- 代码解析思路：

|-- 1、通过bs4的BeautifulSoup来获取html的源代码

|-- 2、从源代码中找到包含"view"的href链接

|-- 3、把获取出来的连接打印出来

'''

import urllib.request

import re

from bs4 import BeautifulSoup

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

def main():

    url = 'http://baike.baidu.com/view/284853.htm'

    response = urllib.request.urlopen(url)

    html = response.read()

    #采用BeautifulSoup来获取html源代码

    soup = BeautifulSoup(html,'html.parser') #使用python默认的解析器

    #源代码中找到包含view的href地址

    #正则表达式（re.compile之后的对象）

    for each in soup.find_all(href = re.compile("view")):

        print("=======\n",each)

        #join():拼接字符串，元组，列表中的元素

        #os.path.join():将多个路径组合后返回

        context = ''.join([each.text])

        url2 = ''.join(["http://baike.baidu.com",each["href"]])

        print(context,"-->",url2)

        # print(each.text,"-->",''.join(["http://baike.baidu.com",each["href"]]))

if __name__ == "__main__":

    main()

'''

=======

 <a href="/wikicategory/view?categoryName=恐龙大全" target="_blank">恐龙百科</a>

恐龙百科 --> http://baike.baidu.com/wikicategory/view?categoryName=恐龙大全

=======

 <a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科</a>

多肉百科 --> http://baike.baidu.com/wikicategory/view?categoryName=多肉植物

=======

 <a class="lock-lemma" href="/view/10812319.htm" nslog-type="10003105" target="_blank" title="锁定"><em class="cmn-icon wiki-lemma-icons wiki-lemma-icons_lock-lemma"></em>锁定</a>

锁定 --> http://baike.baidu.com/view/10812319.htm

'''

知识扩展：

https://www.cnblogs.com/franknihao/p/6542460.html

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/index.html

2、直接打印词条名和连接不算什么本事，这题要求你的爬虫允许用户输入关键词，然后爬虫进入每一个词条，然后检索该词条是否具有副标题，如果有，请将副标题一块打印出来

# encoding:utf-8

import urllib.request

import urllib.parse

import re

from bs4 import BeautifulSoup

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

def main():

    keyword = input("请输入检索的词：")

    #把keyword转换成python识别的字符串

    #https://baike.baidu.com/search/word?word=%E8%83%A1%E6%AD%8C

    keyword = urllib.parse.urlencode({"word":keyword})

    #打开网页

    response = urllib.request.urlopen("https://baike.baidu.com/search/word?%s" %keyword)

    #获取网页输出

    html = response.read()

    #使用BeautifulSoup读取网页源代码

    soup = BeautifulSoup(html,"html.parser")

    #中文字符用于判断是否是中文

    zh_pattern = re.compile(u'[\u4e00-\u9fa5]+')

    #开始第二遍的遍历

    for each in soup.find_all(href = re.compile("view")):

        #find_all 代表全文搜索，find 只显示一条结果

        #href = re.compile("view") 如下例子：

        #<a target=_blank href=/view/5458338.htm>一念执着</a>

        #re.compile("view") 正则匹配有view关键字的链接

        #print("each--",each)

        #获取链接的标题

        #<a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科<>

        #context = 多肉百科

        context = ''.join([each.text])

        #如果标题为空，则终止本次循环

        if context == "":

            continue

        #拼接新的URL链接

        #（http://baike.baidu.com）+ (/wikicategory/view?categoryName=多肉植物)

        url2 =''.join(["http://baike.baidu.com",each["href"]])

        #出现一个问题，如果链接是完整的，然后在加上前缀就不对了

        #http: // baike.baidu.comhttp: // baike.baidu.com / view / 12878522.htm

        #如果url2中出现中文，就终止本次循环，因为编码不一样就会报错然后结束程序

        if zh_pattern.search(url2):

            continue

        # 打开网址如下:

        # http://baike.baidu.com/view/482616.htm

        # 然后获取网页内容

        response2 = urllib.request.urlopen(url2)

        html2 = response2.read()

        soup2 = BeautifulSoup(html2,"html.parser")

        #如果网页h2标签存在（即：副标题存在），则重新定义context

        if soup2.h2:

            context = ''.join([context,soup2.h2.text])

        context = ''.join([context,"-->",url2])

        #打印完整的内容：标题+副标题 --> url链接

        print(context)

if __name__ == "__main__":

    main()

'''

/usr/local/bin/python3.7 /Users/wufq/WebCrawler/wc/百度百科搜索.py

请输入检索的词：胡歌

岑参诗作（岑参诗作）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/18074325#viewPageContent

2011年孙凰发行二胡民乐（2011年孙凰发行二胡民乐）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/22240446#viewPageContent

锁定目录-->http://baike.baidu.com/view/10812319.htm

一念执着-->http://baike.baidu.com/view/5458338.htm

逍遥叹（胡歌演唱歌曲）-->http://baike.baidu.com/view/345628.htm

一吻天荒目录-->http://baike.baidu.com/view/8130305.htm

忘记时间-->http://baike.baidu.com/view/2492625.htm

六月的雨目录-->http://baike.baidu.com/view/34074.htm

光棍（单身人士称谓）-->http://baike.baidu.com/view/88402.htm

天亮以后-->http://baike.baidu.com/view/482616.htm

月光（胡彦斌演唱《秦时明月》系列片头曲）-->http://baike.baidu.com/view/18752.htm

乌云然目录-->http://baike.baidu.com/view/1639821.htm

敢不敢爱（胡歌演唱歌曲）-->http://baike.baidu.com/view/2894946.htm

高手（2005年潘玮柏音乐专辑）-->http://baike.baidu.com/view/91601.htm

我不做英雄目录-->http://baike.baidu.com/view/5930821.htm

Process finished with exit code 0

'''

【Python55--爬虫：代理】的更多相关文章

Python爬虫代理池
爬虫代理IP池在公司做分布式深网爬虫,搭建了一套稳定的代理池服务,为上千个爬虫提供有效的代理,保证各个爬虫拿到的都是对应网站有效的代理IP,从而保证爬虫快速稳定的运行,当然在公司做的东西不能开源出来 ...
通过爬虫代理IP快速增加博客阅读量——亲测CSDN有效！
写在前面题目所说的并不是目的,主要是为了更详细的了解网站的反爬机制,如果真的想要提高博客的阅读量,优质的内容必不可少. 了解网站的反爬机制一般网站从以下几个方面反爬虫: 1. 通过Headers反 ...
【python3】如何建立爬虫代理ip池
一.为什么需要建立爬虫代理ip池在众多的网站防爬措施中,有一种是根据ip的访问频率进行限制的,在某段时间内,当某个ip的访问量达到一定的阀值时,该ip会被拉黑.在一段时间内被禁止访问. 这种时候,可 ...
维护爬虫代理IP池--采集并验证
任务分析我们爬的免费代理来自于https://www.kuaidaili.com这个网站.用`requests`将ip地址与端口采集过来,将`IP`与`PORT`组合成`requests`需要的代理 ...
建立爬虫代理IP池
单线程构建爬虫代理IP池 #!/usr/bin/python3.5 # -*- coding:utf-8 -*- import time import tempfile from lxml impor ...
写了个爬虫代理ip的脚本给大家使用
写了个爬虫代理ip的脚本给大家使用一.代码 import requests from lxml.html import etree url = 'http://www.kuaidaili.com/f ...
介绍一种 Python 更方便的爬虫代理池实现方案
现在搞爬虫,代理是不可或缺的资源很多人学习python,不知道从何学起.很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手.很多已经做案例的人,却不知道如何去学习更加高深的知识.那 ...
cralwer_爬虫代理中心的简要设计
代理中心: 简单讲: 精细化控制限制资源的使用,保证有限资源的充分利用及有效性.支持动态增减,实时更新. 需求 rest api提供请求输入与输出客户端使用代理心跳接收,用于更新代理的使用次数,被占 ...
crawler_爬虫代理方案
爬虫往往会遇到各种限制ip问题理方案(爬虫) IP代理软件优势标记: 是自动切换IP 基本无开发成本标记: 黄色, 考虑切换IP时 ,网络瞬时异常 IP池,由商家维护劣势标记: 非部署每个 ...
可能是一份没什么用的爬虫代理IP指南
写在前面做爬虫的小伙伴一般都绕不过代理IP这个问题. PS:如果还没遇到被封IP的场景,要不就是你量太小人家懒得理你,要不就是人家压根不在乎... 爬虫用户自己是没有能力维护一系列的代理服务器和代理 ...

随机推荐

Selenium基础知识(八)文本域处理textarea
textarea文本域selenium有时处理不了,但是我们可以采用迂回,解决这个问题那么,我们用到了execute_script()方法来调用javascript来解决这个问题这其中涉及DOM, ...
RNN通俗理解
让数据间的关联也被 NN 加以分析,我们人类是怎么分析各种事物的关联,?最基本的方式,就是记住之前发生的事情. 那我们让神经网络也具备这种记住之前发生的事的能力. 再分析 Data0 的时候, 我们把 ...
oauth2.0学习笔记（摘抄简化）
大量摘抄白话简明教程. 附:可以参考<RFC6749协议中文版及oauth2.0>文档一.OAuth 白话简明教程 1.简述 http://www.cnblogs.com/Ceri/p/ ...
水题T，二进制转16进制
输入一个2进制的数,要求输出该2进制数的16进制表示. 在16进制的表示中,A-F表示10-15 Input第1行是测试数据的组数n,后面跟着n行输入.每组测试数据占1行,包括一个以0和1组成的字符串 ...
强化学习--DeepQnetwork 的一些改进
Double DQN 算Q值与选Q值是分开的,2个网络. Multi-step Dueling DQN 如果更新了,即使有的action没有被采样到,也会更新Q值 Prioritized Reply ...
Linq To SQL LEFT OUTER JOIN (Left Join)
SQL: SELECT [t0].[ProductName], [t1].[TotalPrice] AS [TotalPrice] FROM [Product] AS [t0] LEFT OUTER ...
BestCoder Round #55 ($)
C 构造一个矩阵,然后采用矩阵快速幂 #include <iostream> #include <algorithm> #include <string.h> #i ...
hdu3037 lucas
题意 : 给了n课不同的树,要求将 0,1,2,3,4,5,...m个松果,分别放在n棵树上的方案数有多少, 我们这样考虑, 如果将m个相同的松果放入n棵树中 , 转化一下,我们让每个点至少放1个 ...
CSS选择符-----关系选择符
包含选择符(E F) 选择所有被E元素包含的F元素与子选择符(E>F) 不同的是,包含选择符将会命中所有符合条件的后代,包括儿子,孙子,孙子的孙子... <! ...
tr字符串的梗
工作问题总结声明:应用程序代码为前人所写,仅仅只是维护代码,暂且不论代码风格瑕疵. 结论: 使用tr“包”起来的字符串,可能会被翻译为不同的语言,此时,应用程序在不同语言环境下可能会表现BUG. 1 ...

【Python55--爬虫：代理】

【Python55--爬虫：代理】的更多相关文章

随机推荐

热门专题