爬虫入门task3：代理ip、selenium、session、cookies
一、代理ip
为什么会出现IP被封
网站为了防止被爬取，会有反爬机制，对于同一个IP地址的大量同类型的访问，会封锁IP，过一段时间后，才能继续访问
如何应对IP被封的问题
有几种套路：
- 修改请求头，模拟浏览器（而不是代码去直接访问）去访问
- 采用代理IP并轮换
- 设置访问时间间隔
如何获取代理IP地址
- 从该网站获取： https://www.xicidaili.com/
- inspect -> 鼠标定位：
- 要获取的代理IP地址，属于class = "odd"标签的内容：代码如下，获取的代理IP保存在proxy_ip_list列表中
xpath
import requests
from lxml import etree
def get_text(url):
user_agent = 'Mozilla/5.0'
headers = {'User-Agent': user_agent}
res = requests.get(url, timeout=30, headers = headers)
res.raise_for_status()
res.encoding = res.apparent_encoding
text = res.text
return text
def get_ip(text):
tree = etree.HTML(text)
ip = tree.xpath('//*[@id="ip_list"]/tr')
return ip
if __name__ == '__main__':
url = 'https://www.xicidaili.com/'
text = get_text(url)
ip = get_ip(text)
for i in ip:
try:
print(i.xpath('./td/text()')[0])
print(i.xpath('./td/text()')[1])
except:
pass
bf4
from bs4 import BeautifulSoup
import requests
proxy_ip_list = []
def get_text(url):
user_agent = 'Mozilla/5.0'
headers = {'User-Agent': user_agent}
res = requests.get(url, timeout=30, headers = headers)
res.raise_for_status()
res.encoding = res.apparent_encoding
text = res.text
return text
def get_ip(text):
soup = BeautifulSoup(text, 'html.parser')
ip = soup.find_all('td')
return ip
if __name__ == '__main__':
url = 'https://www.xicidaili.com/'
text = get_text(url)
ip = get_ip(text)
for i in range(0, len(ip), 8):
proxy_ip_list.append('%s://%s:%s' % (ip[i + 5].text, ip[i + 1].text, ip[i + 2].text))
proxy_ip_list
['HTTP://113.194.28.11:9999',
'HTTP://113.195.168.115:48888',
'HTTP://118.113.247.115:9999',
'HTTP://60.167.112.236:1133',
'HTTP://101.132.190.101:80',
'HTTP://111.222.141.127:8118',
'HTTPS://117.88.177.101:3000',
'HTTP://183.166.136.144:8888',
'HTTP://27.208.231.100:8060',
'HTTP://123.169.99.177:9999',
'HTTP://119.84.84.185:12345',
'HTTPS://114.99.54.65:8118',
'HTTPS://119.4.13.26:1133',
'HTTP://58.253.158.177:9999',
'HTTP://114.223.208.165:8118',
'HTTP://112.84.73.53:9999',
'HTTP://221.237.37.137:8118',
'HTTPS://117.45.139.84:9006',
'HTTPS://171.35.86.72:8118',
'HTTP://49.235.246.24:8118',
'HTTP://112.95.205.138:8888',
'HTTP://14.115.105.104:808',
'HTTP://60.191.11.249:3128',
'HTTP://14.115.104.119:808',
'HTTPS://121.13.252.60:41564',
'HTTP://112.95.205.135:9000',
'HTTPS://125.123.139.19:9000',
'HTTP://218.27.204.240:8000',
'HTTPS://116.204.142.62:8080',
'HTTPS://60.191.11.229:3128',
'HTTP://163.125.71.198:9999',
'HTTP://14.115.107.232:808',
'HTTPS://113.78.255.93:9000',
'HTTPS://60.191.11.237:3128',
'HTTPS://58.255.38.156:9000',
'HTTP://163.125.71.195:8888',
'HTTP://123.163.24.113:3128',
'HTTP://222.240.184.126:8086',
'HTTPS://117.141.155.241:53281',
'HTTPS://218.22.7.62:53281',
'HTTPS://121.13.252.60:41564',
'HTTPS://125.123.139.19:9000',
'HTTPS://117.88.177.101:3000',
'HTTPS://116.204.142.62:8080',
'HTTPS://114.99.54.65:8118',
'HTTPS://60.191.11.229:3128',
'HTTPS://119.4.13.26:1133',
'HTTPS://113.78.255.93:9000',
'HTTPS://117.45.139.84:9006',
'HTTPS://60.191.11.237:3128',
'HTTPS://171.35.86.72:8118',
'HTTPS://58.255.38.156:9000',
'HTTPS://114.223.103.47:8118',
'HTTPS://117.141.155.241:53281',
'HTTPS://218.22.7.62:53281',
'HTTPS://14.153.52.10:3128',
'HTTPS://61.164.39.69:53281',
'HTTPS://113.65.163.199:9797',
'HTTPS://58.251.235.76:9797',
'HTTPS://183.166.103.164:9999',
'HTTP://112.95.205.138:8888',
'HTTP://14.115.105.104:808',
'HTTP://113.194.28.11:9999',
'HTTP://60.191.11.249:3128',
'HTTP://113.195.168.115:48888',
'HTTP://118.113.247.115:9999',
'HTTP://14.115.104.119:808',
'HTTP://112.95.205.135:9000',
'HTTP://60.167.112.236:1133',
'HTTP://218.27.204.240:8000',
'HTTP://101.132.190.101:80',
'HTTP://111.222.141.127:8118',
'HTTP://183.166.136.144:8888',
'HTTP://27.208.231.100:8060',
'HTTP://123.169.99.177:9999',
'HTTP://119.84.84.185:12345',
'HTTP://163.125.71.198:9999',
'HTTP://14.115.107.232:808',
'HTTP://58.253.158.177:9999',
'HTTP://114.223.208.165:8118',
'socks4/5://125.123.120.204:6672',
'socks4/5://117.69.244.68:6675',
'socks4/5://114.226.160.37:6668',
'socks4/5://113.124.92.218:6668',
'socks4/5://117.57.90.84:6666',
'socks4/5://120.83.105.227:6675',
'socks4/5://58.253.156.91:6675',
'socks4/5://120.83.111.155:6666',
'socks4/5://117.95.175.157:6666',
'socks4/5://120.83.104.222:6675',
'socks4/5://115.53.20.82:6675',
'socks4/5://121.63.198.84:6668',
'socks4/5://121.31.150.165:6666',
'socks4/5://121.31.193.132:6675',
'socks4/5://182.33.217.116:6666',
'socks4/5://117.69.98.216:6666',
'socks4/5://121.31.103.33:6666',
'socks4/5://113.121.245.231:6675',
'socks4/5://113.121.245.32:6667',
'socks4/5://218.73.130.59:6675']
使用代理
- proxies的格式是一个字典：
- {‘http’: ‘http://IP:port‘,‘https’:'https://IP:port‘}
- 把它直接传入requests的get方法中即可
- web_data = requests.get(url, headers=headers, proxies=proxies)
def open_url_using_proxy(url, proxy):
user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
headers = {'User-Agent': user_agent}
proxies = {}
if proxy.startswith('HTTPS'):
proxies['https'] = proxy
else:
proxies['http'] = proxy
try:
r = requests.get(url, headers = headers, proxies = proxies, timeout = 10)
r.raise_for_status()
r.encoding = r.apparent_encoding
return (r.text, r.status_code)
except:
print('无法访问网页' + url)
return False
url = 'http://www.baidu.com'
text = open_url_using_proxy(url, proxy_ip_list[0])
无法访问网页http://www.baidu.com
确认代理IP地址有效性
- 无论是免费还是收费的代理网站，提供的代理IP都未必有效，我们应该验证一下，有效后，再放入我们的代理IP池中，以下通过几种方式：访问网站，得到的返回码是200真正的访问某些网站，获取title等，验证title与预计的相同访问某些可以提供被访问IP的网站，类似于“查询我的IP”的网站，查看返回的IP地址是什么验证返回码
def check_proxy_avaliability(proxy):
url = 'http://www.baidu.com'
result = open_url_using_proxy(url, proxy)
VALID_PROXY = False
if result:
text, status_code = result
if status_code == 200:
print('有效代理IP: ' + proxy)
else:
print('无效代理IP: ' + proxy)
改进：确认网站title
def check_proxy_avaliability(proxy):
url = 'http://www.baidu.com'
text, status_code = open_url_using_proxy(url, proxy)
VALID = False
if status_code == 200:
if r_title:
if r_title[0] == '百度一下，你就知道 ':
VALID = True
if VALID:
print('有效代理IP: ' + proxy)
else:
print('无效代理IP: ' + proxy)
完整代码
from bs4 import BeautifulSoup
import requests
import re
import json
def open_proxy_url(url):
user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
headers = {'User-Agent': user_agent}
try:
r = requests.get(url, headers = headers, timeout = 10)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print('无法访问网页' + url)
def get_proxy_ip(response):
proxy_ip_list = []
soup = BeautifulSoup(response, 'html.parser')
proxy_ips = soup.find(id = 'ip_list').find_all('tr')
for proxy_ip in proxy_ips:
if len(proxy_ip.select('td')) >=8:
ip = proxy_ip.select('td')[1].text
port = proxy_ip.select('td')[2].text
protocol = proxy_ip.select('td')[5].text
if protocol in ('HTTP','HTTPS','http','https'):
proxy_ip_list.append(f'{protocol}://{ip}:{port}')
return proxy_ip_list
def open_url_using_proxy(url, proxy):
user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
headers = {'User-Agent': user_agent}
proxies = {}
if proxy.startswith(('HTTPS','https')):
proxies['https'] = proxy
else:
proxies['http'] = proxy
try:
r = requests.get(url, headers = headers, proxies = proxies, timeout = 10)
r.raise_for_status()
r.encoding = r.apparent_encoding
return (r.text, r.status_code)
except:
print('无法访问网页' + url)
print('无效代理IP: ' + proxy)
return False
def check_proxy_avaliability(proxy):
url = 'http://www.baidu.com'
result = open_url_using_proxy(url, proxy)
VALID_PROXY = False
if result:
text, status_code = result
if status_code == 200:
r_title = re.findall('.* ', text)
if r_title:
if r_title[0] == '百度一下，你就知道 ':
VALID_PROXY = True
if VALID_PROXY:
check_ip_url = 'https://jsonip.com/'
try:
text, status_code = open_url_using_proxy(check_ip_url, proxy)
except:
return
print('有效代理IP: ' + proxy)
with open('valid_proxy_ip.txt','a') as f:
f.writelines(proxy)
try:
source_ip = json.loads(text).get('ip')
print(f'源IP地址为：{source_ip}')
print('='*40)
except:
print('返回的非json,无法解析')
print(text)
else:
print('无效代理IP: ' + proxy)
if __name__ == '__main__':
proxy_url = 'https://www.xicidaili.com/'
proxy_ip_filename = 'proxy_ip.txt'
text = open(proxy_ip_filename, 'r').read()
proxy_ip_list = get_proxy_ip(text)
for proxy in proxy_ip_list:
check_proxy_avaliability(proxy)
关于http和https代理
- 可以看到proxies中有两个键值对：
- {‘http’: ‘http://IP:port‘,‘https’:'https://IP:port‘}
- 其中 HTTP 代理，只代理 HTTP 网站，对于 HTTPS 的网站不起作用，也就是说，用的是本机 IP，反之亦然。
- 我刚才使用的验证的网站是https://jsonip.com, 是HTTPS网站所以探测到的有效代理中，如果是https代理，则返回的是代理地址
- 如果是http代理，将使用本机IP进行访问，返回的是我的公网IP地址
二、selenium
- selenium是什么：一个自动化测试工具（大家都是这么说的）
- selenium应用场景：用代码的方式去模拟浏览器操作过程（如：打开浏览器、在输入框里输入文字、回车等），在爬虫方面很有必要
- 准备工作：
- 安装selenium（pip install selenium）
- 安装chromedriver（一个驱动程序，用以启动chrome浏览器，具体的驱动程序需要对应的驱动，在官网上可以找到下载地址）
基本步骤：
1、导入模块：
from selenium import webdriver # 启动浏览器需要用到
from selenium.webdriver.common.keys import Keys # 提供键盘按键支持（最后一个K要大写）
2、创建一个WebDriver实例：
driver = webdriver.Chrome("chromedriver驱动程序路径")
3、打开一个页面:
driver.get("http://www.python.org") # 这个时候chromedriver会打开一个Chrome浏览器窗口，显示的是网址所对应的页面
4、关闭页面
driver.close() # 关闭浏览器一个Tab
# ora
driver.quit() # 关闭浏览器窗口
高级-查找元素：
- 在打开页面和关闭页面中间，就是各种操作！而查找元素这一点，和爬虫常见的HTML页面解析，定位到具体的某个元素基本一样，只不过，调用者是driver
element = driver.find_element_by_name("q")
高级-页面交互：
- 找到元素后，就是进行“交互”，如键盘输入（需提前导入模块）
element.send_keys(“some text”） # 往一个可以输入对象中输入“some text”
#甚至
element.send_keys(Keys.RETURN） # 模拟键盘回车
#一般来说，这种方式输入后会一直存在，而要清空某个文本框中的文字，就需要：
element.clear() # 清空element对象中的文字
高级-等待页面加载（wait）
- 应用场景：含有ajax加载的page！因为在这种情况下，页面内的某个节点并不是在一开始就出现了，而在这种情况下，就不能“查找元素”，元素选择不到，就不好进行交互操作！等待页面加载这两个模块经常是一起导入的：
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
- 显示等待：触发某个条件后才能够执行后续的代码
driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element = WebDriverWait(driver, 10).until(
EC.presence_of_element_located((By.ID, "myDynamicElement")))
finally:
driver.quit()
#其中，presence_of_element_located是条件，By.ID是通过什么方式来确认元素（这个是通过id），"myDynamicElement"这个就是某个元素的ID
- 隐示等待：设置某个具体的等待时间
driver = webdriver.Firefox()
driver.implicitly_wait(10) # seconds
driver.get("http://somedomain/url_that_delays_loading")
myDynamicElement = driver.find_element_by_id("myDynami")
三、session和cookie
前置：动态网页和静态网页
静态网页
- 静态网页就是我们上一篇写的那种 html 页面，后缀为
.html的这种文件，直接部署到或者是放到某个 web 容器上，就可以在浏览器通过链接直接访问到了，常用的 web 容器有 Nginx 、 Apache 、 Tomcat 、Weblogic 、 Jboss 、 Resin 等等，很多很多。举个例子：https://desmonday.github.io/，就是静态网页的代表，这种网页的内容是通过纯粹的 HTML 代码来书写，包括一些资源文件：图片、视频等内容的引入都是使用 HTML 标签来完成的。它的好处当然是加载速度快，编写简单，访问的时候对 web 容器基本上不会产生什么压力。但是缺点也很明显，可维护性比较差，不能根据参数动态的显示内容等等。有需求就会有发展么，这时动态网页就应运而生了
动态网页
- 大家常用的某宝、某东、拼夕夕等网站都是由动态网页组成的。
- 动态网页可以解析 URL 中的参数，或者是关联数据库中的数据，显示不同的网页内容。现在各位同学访问的网站大多数都是动态网站，它们不再简简单单是由 HTML 堆砌而成，可能是由 JSP 、 PHP 等语言编写的，当然，现在很多由前端框架编写而成的网页小编这里也归属为动态网页。
- 说到动态网页，各位同学可能使用频率最高的一个功能是登录，像各种电商类网站，肯定是登录了以后才能下单买东西。那么，问题来了，后面的服务端是如何知道当前这个人已经登录了呢？
http1.0
-
HTTP1.0的特点是无状态无链接的
-
-
无状态就是指 HTTP 协议对于请求的发送处理是没有记忆功能的，也就是说每次 HTTP 请求到达服务端，服务端都不知道当前的客户端（浏览器）到底是一个什么状态。客户端向服务端发送请求后，服务端处理这个请求，然后将内容响应回客户端，完成一次交互，这个过程是完全相互独立的，服务端不会记录前后的状态变化，也就是缺少状态记录。这就产生了上面的问题，服务端如何知道当前在浏览器面前操作的这个人是谁？其实，在用户做登录操作的时候，服务端会下发一个类似于 token 凭证的东西返回至客户端（浏览器），有了这个凭证，才能保持登录状态。那么这个凭证是什么？
session和cookies
-
Session 是会话的意思，会话是产生在服务端的，用来保存当前用户的会话信息，而 Cookies 是保存在客户端（浏览器），有了 Cookie 以后，客户端（浏览器）再次访问服务端的时候，会将这个 Cookie 带上，这时，服务端可以通过 Cookie 来识别本次请求到底是谁在访问。
可以简单理解为 Cookies 中保存了登录凭证，我们只要持有这个凭证，就可以在服务端保持一个登录状态。
在爬虫中，有时候遇到需要登录才能访问的网页，只需要在登录后获取了 Cookies ，在下次访问的时候将登录后获取到的 Cookies 放在请求头中，这时，服务端就会认为我们的爬虫是一个正常登录用户。
session
-
那么，Cookies 是如何保持会话状态的呢？
在客户端（浏览器）第一次请求服务端的时候，服务端会返回一个请求头中带有
Set-Cookie字段的响应给客户端（浏览器），用来标记是哪一个用户，客户端（浏览器）会把这个 Cookies 给保存起来。我们来使用工具 PostMan 来访问下某东的登录页，看下返回的响应头：
-
当我们输入好用户名和密码时，客户端会将这个 Cookies 放在请求头一起发送给服务端，这时，服务端就知道是谁在进行登录操作，并且可以判断这个人输入的用户名和密码对不对，如果输入正确，则在服务端的 Session 记录一下这个人已经登录成功了，下次再请求的时候这个人就是登录状态了。
如果客户端传给服务端的 Cookies 是无效的，或者这个 Cookies 根本不是由这个服务端下发的，或者这个 Cookies 已经过期了，那么接下里的请求将不再能访问需要登录后才能访问的页面。
所以， Session 和 Cookies 之间是需要相互配合的，一个在服务端，一个在客户端。
cookies
-
我们还是打开某东的网站，看下这些 Cookies到底有哪些内容：
[
](https://cdn.geekdigging.com/python-spider/jd-cookies.png)
-
具体操作方式还是在 Chrome 中按 F12 打开开发者工具，选择 Application 标签，点开 Cookies 这一栏。
- Name：这个是 Cookie 的名字。一旦创建，该名称便不可更改。
- Value：这个是 Cookie 的值。
- Domain：这个是可以访问该 Cookie 的域名。例如，如果设置为 .jd.com ，则所有以 jd.com ，结尾的域名都可以访问该Cookie。
- Max Age：Cookie 失效的时间，单位为秒，也常和 Expires 一起使用。 Max Age 如果为正数，则在 Max Age 秒之后失效，如果为负数，则关闭浏览器时 Cookie 即失效，浏览器也不会保存该 Cookie 。
- Path：Cookie 的使用路径。如果设置为 /path/ ，则只有路径为 /path/ 的页面可以访问该 Cookie 。如果设置为 / ，则本域名下的所有页面都可以访问该 Cookie 。
- Size：Cookie 的大小。
- HTTPOnly：如果此项打勾，那么通过 JS 脚本将无法读取到 Cookie 信息，这样能有效的防止 XSS 攻击，窃取 Cookie 内容，可以增加 Cookie 的安全性。
- Secure：如果此项打勾，那么这个 Cookie 只能用 HTTPS 协议发送给服务器，用 HTTP 协议是不发送的。
那么有的网站为什么这次关闭了，下次打开的时候还是登录状态呢？
这就要说到 Cookie 的持久化了，其实也不能说是持久化，就是 Cookie 失效的时间设置的长一点，比如直接设置到 2099 年失效，这样，在浏览器关闭后，这个 Cookie 是会保存在我们的硬盘中的，下次打开浏览器，会再从我们的硬盘中将这个 Cookie 读取出来，用来维持用户的会话状态。
第二个问题产生了，服务端的会话也会无限的维持下去么，当然不会，这就要在 Cookie 和 Session 上做文章了， Cookie 中可以使用加密的方式将用户名记录下来，在下次将 Cookies 读取出来由请求发送到服务端后，服务端悄悄的自己创建一个用户已经登录的会话，这样我们在客户端看起来就好像这个登录会话是一直保持的。
一个重要概念
-
当我们关闭浏览器的时候会自动销毁服务端的会话，这个是错误的，因为在关闭浏览器的时候，浏览器并不会额外的通知服务端说，我要关闭了，你把和我的会话销毁掉吧。
因为服务端的会话是保存在内存中的，虽然一个会话不会很大，但是架不住会话多啊，硬件毕竟是会有限制的，不能无限扩充下去的，所以在服务端设置会话的过期时间就非常有必要。
当然，有没有方式能让浏览器在关闭的时候同步的关闭服务端的会话，当然是可以的，我们可以通过脚本语言 JS 来监听浏览器关闭的动作，当浏览器触发关闭动作的时候，由 JS 像服务端发起一个请求来通知服务端销毁会话。
由于不同的浏览器对 JS 事件的实现机制不一致，不一定保证 JS 能监听到浏览器关闭的动作，所以现在常用的方式还是在服务端自己设置会话的过期时间
实战案例：模拟登录163
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
"""
使用selenium进行模拟登陆
1.初始化ChromDriver
2.打开163登陆页面
3.找到用户名的输入框，输入用户名
4.找到密码框，输入密码
5.提交用户信息
"""
name = '*'
passwd = '*'
driver = webdriver.Chrome('./chromedriver')
driver.get('https://mail.163.com/')
# 将窗口调整最大
driver.maximize_window()
# 休息5s
time.sleep(5)
current_window_1 = driver.current_window_handle
print(current_window_1)
button = driver.find_element_by_id('lbNormal')
button.click()
driver.switch_to.frame(driver.find_element_by_xpath("//iframe[starts-with(@id, 'x-URS-iframe')]"))
email = driver.find_element_by_name('email')
#email = driver.find_element_by_xpath('//input[@name="email"]')
email.send_keys(name)
password = driver.find_element_by_name('password')
#password = driver.find_element_by_xpath("//input[@name='password']")
password.send_keys(passwd)
submit = driver.find_element_by_id("dologin")
time.sleep(15)
submit.click()
time.sleep(10)
print(driver.page_source)
driver.quit()