1、requests模块的深入使用
requests发送POST请求思考:哪些地方我们会用到POST请求?
登录注册( POST 比 GET 更安全),需要传输大文本内容的时候( POST 请求对数据长度没有要求),所以同样的,我们的爬虫也需要在这两个地方回去模拟浏览器发送post请求。
1.1 requests发送post请求语法:
用法:
response = requests.post("http://www.baidu.com/", \
data = data,headers=headers)
data 的形式:字典
1.2 POST请求练习
下面面我们通过手机版百度翻译的例子看看post请求如何使用:
地址:http://fanyi.baidu.com/
思路分析
抓包确定请求的url地址
确定请求的参数
确定返回数据的位置
模拟浏览器获取数据
# 手机移动端的百度翻译
import json
import requests
url = "https://fanyi.baidu.com/basetrans"
headers = {"User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebK"}
data = {
"query" : "我爱我的祖国",
"from" : "zh",
"to": "en"
}
response = requests.post(url, headers = headers, data =data)
print(json.loads(response.content.decode())['trans'][0]['dst'])
1.3 小结
在模拟登陆等场景,经常需要发送post请求,直接使用requests.post(url,data)即可
2、 使用代理
2.1 为什么要使用代理
- 让服务器以为不是同一个客户端在请求
- 防止我们的真实地址被泄露,防止被追究
2.2 理解使用代理的过程
2.3 理解正向代理和反向代理的区别
通过上图可以看出:
- 正向代理:对于浏览器知道服务器的真实地址,例如VPN
- 反向代理:浏览器不知道服务器的真实地址,例如nginx
2.4 代理的使用
用法:
requests.get("http://www.baidu.com", proxies = proxies)
proxies的形式:字典
例如:
proxies = {
"http": "http://12.34.56.79:9527",
"https": "https://12.34.56.79:9527",
}
2.5 代理IP的分类
(1)根据代理ip的匿名程度,代理IP可以分为下面四类:
- 透明代理(Transparent Proxy):透明代理虽然可以直接“隐藏”你的IP地址,但是还是可以查到你是谁。
- 匿名代理(Anonymous Proxy):使用匿名代理,别人只能知道你用了代理,无法知道你是谁。
- 高匿代理(Elite proxy或High Anonymity Proxy):高匿代理让别人根本无法发现你是在用代理,所以是最好的选择。
(2)从请求使用的协议可以分为:
- http代理
- https代理
- socket代理等
不同分类的代理,在使用的时候需要根据抓取网站的协议来选择
2.6 代理IP使用的注意点
(1)反反爬
使用代理ip是非常必要的一种反反爬的方式
但是即使使用了代理ip,对方服务器任然会有很多的方式来检测我们是否是一个爬虫,比如:
-
一段时间内,检测IP访问的频率,访问太多频繁会屏蔽
-
检查Cookie,User-Agent,Referer等header参数,若没有则屏蔽
-
服务方购买所有代理提供商,加入到反爬虫数据库里,若检测是代理则屏蔽
所以更好的方式在使用代理ip的时候使用随机的方式进行选择使用,不要每次都用一个代理ip。
(2)代理ip池的更新
购买的代理ip很多时候大部分(超过60%)可能都没办法使用,这个时候就需要通过程序去检测哪些可用,把不能用的删除掉。(针对聚合爬虫)