《零基础入门学习Python》第055讲：论一只爬虫的自我修养3：隐藏
0. 请写下这一节课你学习到的内容：格式不限，回忆并复述是加强记忆的好方式！
上节课我们说过了，有一些网站比较痛恨爬虫程序，它们不喜欢被程序所访问，所以它们会检查链接的来源，如果说来源不是正常的途径，那么它就会把你给屏蔽掉，所以呢，要让我们的程序可以持续的干活，要可以投入生产，我们就需要对代码进行隐藏，让它看起来更像是普通人浏览器的正常点击。
我们知道，服务器检查链接是通过检查 链接中的 Headers 中的 User Agent 来判断你是来自于代码还是来自于浏览器，像我们的Python，你用Python默认的Headers 中的 User Agent 是Python 加上版本号，服务器一检查是Python，就会把你屏蔽掉。我们可以修改 Headers 来模拟正常的浏览器访问。
先看一下文档：
urllib.request.Request 有一个 headers 的参数，通过修改 headers 参数，你可以设置自己的 headers，这个参数是一个字典，你可以通过两种途径来设置：一种是你直接设置一个字典，然后作为参数传给 Request，或者第二种，在Request 生成之后，调用 add_header() 将其加进去。我们使用上节课的例子来尝试一下：
第一种 代码清单：
-
#translation.py -
import urllib.request -
import urllib.parse -
import json -
print("---------这是一个Python翻译器---------") -
content = input('请输入需要翻译的内容：') -
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule" -
#直接从审查元素中copy过来的url会报错，必须把translate_o中的_o 删除才可以 -
#url = "http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule" -
head = {} -
head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36' -
data = {} #这里就是把 Form Data 中的内容贴过来 -
data['i'] = content -
data['from'] = 'AUTO' -
data['to'] = 'AUTO' -
data['smartresult'] = 'dict' -
data['client'] = 'fanyideskweb' -
data['salt'] = '15445124815349' -
data['sign'] = 'a824eba4c23c6f541ffadfee26b1e500' -
data['ts'] = '1544512481534' -
data['bv'] = 'bbb3ed55971873051bc2ff740579bb49' -
data['doctype'] = 'json' -
data['version'] = '2.1' -
data['keyfrom'] = 'fanyi.web' -
data['action'] = 'FY_BY_REALTIME' -
data['typoResult'] = 'false' -
#需要使用urllib.parse.urlencode() 把data转换为需要的形式 -
data = urllib.parse.urlencode(data).encode('utf-8') -
req = urllib.request.Request(url, data, head) -
response = urllib.request.urlopen(url, data) -
html = response.read().decode('utf-8') -
target = json.loads(html) -
print('翻译结果：%s' %(target['translateResult'][0][0]['tgt']))
第二种 代码清单：
-
#translation.py -
import urllib.request -
import urllib.parse -
import json -
print("---------这是一个Python翻译器---------") -
content = input('请输入需要翻译的内容：') -
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule" -
#直接从审查元素中copy过来的url会报错，必须把translate_o中的_o 删除才可以 -
#url = "http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule" -
#head = {} -
#head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36' -
data = {} #这里就是把 Form Data 中的内容贴过来 -
data['i'] = content -
data['from'] = 'AUTO' -
data['to'] = 'AUTO' -
data['smartresult'] = 'dict' -
data['client'] = 'fanyideskweb' -
data['salt'] = '15445124815349' -
data['sign'] = 'a824eba4c23c6f541ffadfee26b1e500' -
data['ts'] = '1544512481534' -
data['bv'] = 'bbb3ed55971873051bc2ff740579bb49' -
data['doctype'] = 'json' -
data['version'] = '2.1' -
data['keyfrom'] = 'fanyi.web' -
data['action'] = 'FY_BY_REALTIME' -
data['typoResult'] = 'false' -
#需要使用urllib.parse.urlencode() 把data转换为需要的形式 -
data = urllib.parse.urlencode(data).encode('utf-8') -
req = urllib.request.Request(url, data) -
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36') -
response = urllib.request.urlopen(url, data) -
html = response.read().decode('utf-8') -
target = json.loads(html) -
print('翻译结果：%s' %(target['translateResult'][0][0]['tgt']))
运行结果：
-
=========== RESTART: C:\Users\XiangyangDai\Desktop\translation.py =========== -
---------这是一个Python翻译器--------- -
请输入需要翻译的内容：爱 -
翻译结果：love -
>>> req.headers -
{'User-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
我们来回顾一下，修改 headers 有两个途径：
- 通过 Request 的 headers 参数修改
- 通过 Request.add_header() 方法修改
修改 User-Agent 可以算是最简单的隐藏方法了，也是切实可行的，不过呢，如果是用 Python 抓取网页，例如批量下载 图片，你一个 IP 地址短时间内连续的进行访问，那么这是不符合正常人类的标准的，而且对服务器带来的压力不小，所以服务器合情合理会把你屏蔽掉，屏蔽的做法也很简单，只需要记录每个IP的访问频率，在单位时间内，如果访问频率超过一个阈值，那么服务器就会认为这个IP很有可能是一个爬虫，那么服务器就会把不管它的User-Agent是什么了，服务器就会返回一个验证码的界面，因为用户会填写验证码，但是爬虫不会，这就会合理的把你的访问给屏蔽掉。
就我们目前的学习水平来说，有两种做法可以解决这种问题，一种就是延迟提交的时间，让我们的爬虫看起来更像是一个正常的人类在浏览（这是没有办法的办法）；还有一种就是使用代理。
首先说第一种方法，我们可以使用 time 模块来完成延迟操作：（这种方法的工作效率太慢了）
-
#translation.py -
import urllib.request -
import urllib.parse -
import json -
import time -
print("---------这是一个Python翻译器---------") -
while True: -
content = input("请输入需要翻译的内容(输入'Q'退出程序)：") -
if content == 'Q': -
break -
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule" -
#直接从审查元素中copy过来的url会报错，必须把translate_o中的_o 删除才可以 -
#url = "http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule" -
#head = {} -
#head['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36' -
data = {} #这里就是把 Form Data 中的内容贴过来 -
data['i'] = content -
data['from'] = 'AUTO' -
data['to'] = 'AUTO' -
data['smartresult'] = 'dict' -
data['client'] = 'fanyideskweb' -
data['salt'] = '15445124815349' -
data['sign'] = 'a824eba4c23c6f541ffadfee26b1e500' -
data['ts'] = '1544512481534' -
data['bv'] = 'bbb3ed55971873051bc2ff740579bb49' -
data['doctype'] = 'json' -
data['version'] = '2.1' -
data['keyfrom'] = 'fanyi.web' -
data['action'] = 'FY_BY_REALTIME' -
data['typoResult'] = 'false' -
#需要使用urllib.parse.urlencode() 把data转换为需要的形式 -
data = urllib.parse.urlencode(data).encode('utf-8') -
req = urllib.request.Request(url, data) -
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36') -
response = urllib.request.urlopen(url, data) -
html = response.read().decode('utf-8') -
target = json.loads(html) -
print('翻译结果：%s' %(target['translateResult'][0][0]['tgt'])) -
time.sleep(5) #暂停5秒钟
第二个方案：使用代理
首先需要知道，代理是什么？
嘿，兄弟，哥们儿访问这个网址有点困难，帮忙解决一下呗！
然后你就把需要访问的网址告诉代理先生，代理帮你访问，然后把他看到的所有内容原封不动的转发给你。
这就是代理。
代理的工作原理就是这么简单，因此呢，服务器看到的IP地址就是代理的IP地址，而不是你的IP地址，这样子你用很多个代理同时发起访问，服务器也没有办法。使用代理的步骤如下：
- 1.参数是一个字典 {‘类型’ ：‘代理ip: 端口号’}
proxy_support = urllib.request.ProxyHandler({})
它这个参数就是一个字典，字典的键就是代理的类型（如：http，https...），值就是对应的 ip 或者 域名 +端口号
- 2.定制、创建 一个 opener
（opener可以看做是私人订制，当你使用 urlopen 打开一个普通网页的时候，你就是在使用默认的 opener 来工作，而这个opener 是可以有我们定制的，例如我们可以给它加上特殊的 headers，或者指定 代理，我们使用下面的语句定制、创建一个 opener）
opener = urllib.request.build_opener(proxy_support)
- 3a.安装opener
我们使用 urllib.request.install_opener(opener)，把它安装到系统中，这是一劳永逸的做法，因为在此之后，你只要使用普通的 urlopen() 函数，就是使用定制好的 opener 进行工作，如果你不想替换掉默认的 opener，你可以使用下面的语句调用 opener。
- 3b.调用opener
opener.open(url)
我们来举个例子：
我们需要代理ip，直接在网上搜索即可。
-
import urllib.request -
url = 'http:/www.whatismyip.com.tw' #查询ip的网站 -
proxy_support = urllib.request.ProxyHandler({'http': '123.206.56.247:80'}) -
opener = urllib.request.build_opener(proxy_support) -
urllib.request.install_opener(opener) -
response = urllib.request.urlopen(url) -
html = response.read().decode('utf-8') -
print(html)
测试题
0. 服务器是如何识访问来自浏览器还是非浏览器的？
答：通过发送的 HTTP 头中的 User-Agent 来进行识别浏览器与非浏览器，服务器还以 User-Agent 来区分各个浏览器。
1. 明明代码跟视频中的栗子一样，一运行却出错了，但在不修改代码的情况下再次尝试运行却又变好了，这是为什么呢？
答: 在网络信息的传输中会出现偶然的“丢包”现象，有可能是你发送的请求服务器没收到，也有可能是服务器响应的信息不能完整送回来……尤其在网络阻塞的时候。所以，在设计一个“称职”的爬虫时，需要考虑到这偶尔的“丢包”现象。
2. Request 是由客户端发出还是由服务端发出？
答：我们之前说 HTTP 是基于“请求-响应”模式，Request 即请求的意思，而 Response 则是响应的意思。由客户端首先发出 Request，服务器收到后返回 Response。
3. 请问如何为一个 Request 对象动态的添加 headers？
答：add_header() 方法往 Request 对象添加 headers。
4. 简单来说，代理服务器是如何工作的？他有时为何不工作了？
答: 将信息传给代理服务器，代理服务器替你向你要访问的服务器发送请求，然后在将服务器返回的内容返回给你。
因为有“丢包”现象发生，所以多了一个中间人就意味着会多一层发生“丢包”的几率，且大多数代理并不只为一个人服务，尤其是免费代理。
PS：大家想做“坏坏”的事情时可以考虑多几层代理，一般来说路由器日志并不会保存很长时间，几层代理后，基本很难查到是谁请求的。
5. HTTP 有好几种方法（GET，POST，PUT，HEAD，DELETE，OPTIONS，CONNECT），请问你如何晓得 Python 是使用哪种方法访问服务器呢？
答：使用 get_method() 方法获取 Request 对象具体使用哪种方法访问服务器。最常用的无非就是 GET 和 POST 了，当 Request 的 data 参数被赋值的时候，get_method() 返回 'POST'，否则一般情况下返回 'GET'。
6. 上一节课后题中有涉及到登陆问题，辣么，你还记得服务器是通过什么来确定你是登陆还是没登陆的么？他会持续到什么时候呢？
答: 是 cookie，服务器通过判断你提交的 cookie 来确定访问是否来自”熟人“。
简单来说 cookie 可以分成两类：
- 一类是即时过期的 cookies，称为“会话” cookies，当浏览器关闭时（这里是 python 的请求程序）自动清除
- 另一类是有期限的 cookies，由浏览器进行存储，并在下一次请求该网站时自动附带（如果没过期或清理的话）
动动手
小甲鱼打算在这里先给大家介绍一个压箱底的模块 —— Beautiful Soup 4
翻译过来名字有点诡异：漂亮的汤？美味的鸡汤？呃……
好吧，只要你写出一个普罗大众都喜欢的模块，你管它叫“Beautiful Shit”大家也是能接受的……
Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。Beautiful Soup 会帮你节省数小时甚至数天的工作时间。
这玩意儿到底怎么用？
看这 -> 传送门
上边链接是官方的快速入门教程（不用惧怕，这次有中文版了），请大家花差不多半个小时的时间自学一下，然后完成下边题目。
噢，对了，大家可以使用 pip 安装（Python3.4 以上自带的神一般的软件包管理系统，有了它 Python 的模块安装、卸载全部一键搞定！）
打开命令行窗口（CMD） -> 输入 pip install BeautifulSoup4 命令） -> 搞定。
0. 编写一个爬虫，爬百度百科“网络爬虫”的词条
（链接 -> 网络爬虫_百度百科），将所有包含“view”的链接按下边格式打印出来：
提示：题目中需要使用到简单的正则表达式（在官方的快速入门教程有演示），如果你希望马上就深入学习正则表达式，当然可以给你预支一下后边的知识 -> Python3 如何优雅地使用正则表达式
代码清单：
-
import urllib.request -
import re -
from bs4 import BeautifulSoup -
def main(): -
url = "http://baike.baidu.com/view/284853.htm" -
response = urllib.request.urlopen(url) -
html = response.read() -
soup = BeautifulSoup(html, "html.parser") # 使用 Python 默认的解析器 -
for each in soup.find_all(href=re.compile("view")): -
print(each.text, "->", ''.join(["http://baike.baidu.com", each["href"]])) -
# 上边用 join() 不用 + 直接拼接，是因为 join() 被证明执行效率要高很多 -
if __name__ == "__main__": -
main()
1. 直接打印词条名和链接不算什么真本事儿，这题要求你的爬虫允许用户输入搜索的关键词。
然后爬虫进入每一个词条，然后检测该词条是否具有副标题（比如搜索“猪八戒”，副标题就是“（中国神话小说《西游记》的角色）”），如果有，请将副标题一并打印出来：
程序实现效果如下：
代码清单：
-
import urllib.request -
import urllib.parse -
import re -
from bs4 import BeautifulSoup -
def main(): -
keyword = input("请输入关键词：") -
keyword = urllib.parse.urlencode({"word":keyword}) -
response = urllib.request.urlopen("http://baike.baidu.com/search/word?%s" % keyword) -
html = response.read() -
soup = BeautifulSoup(html, "html.parser") -
for each in soup.find_all(href=re.compile("view")): -
content = ''.join([each.text]) -
url2 = ''.join(["http://baike.baidu.com", each["href"]]) -
response2 = urllib.request.urlopen(url2) -
html2 = response2.read() -
soup2 = BeautifulSoup(html2, "html.parser") -
if soup2.h2: -
content = ''.join([content, soup2.h2.text]) -
content = ''.join([content, " -> ", url2]) -
print(content) -
if __name__ == "__main__": -
main()
2. 哗啦啦地丢一堆链接给用户可不是什么好的体验，我们应该先打印 10 个链接，然后问下用户“您还往下看吗？
来，我给大家演示下：
然后为了增加用户体验，代码需要捕获未收录的词条，并提示：
提示：希望你还记得有生成器这么个东东
代码清单：
-
import urllib.request -
import urllib.parse -
import re -
from bs4 import BeautifulSoup -
def test_url(soup): -
result = soup.find(text=re.compile("百度百科尚未收录词条")) -
if result: -
print(result[0:-1]) # 百度这个碧池在最后加了个“符号，给它去掉 -
return False -
else: -
return True -
def summary(soup): -
word = soup.h1.text -
# 如果存在副标题，一起打印 -
if soup.h2: -
word += soup.h2.text -
# 打印标题 -
print(word) -
# 打印简介 -
if soup.find(class_="lemma-summary"): -
print(soup.find(class_="lemma-summary").text) -
def get_urls(soup): -
for each in soup.find_all(href=re.compile("view")): -
content = ''.join([each.text]) -
url2 = ''.join(["http://baike.baidu.com", each["href"]]) -
response2 = urllib.request.urlopen(url2) -
html2 = response2.read() -
soup2 = BeautifulSoup(html2, "html.parser") -
if soup2.h2: -
content = ''.join([content, soup2.h2.text]) -
content = ''.join([content, " -> ", url2]) -
yield content -
def main(): -
word = input("请输入关键词：") -
keyword = urllib.parse.urlencode({"word":word}) -
response = urllib.request.urlopen("http://baike.baidu.com/search/word?%s" % keyword) -
html = response.read() -
soup = BeautifulSoup(html, "html.parser") -
if test_url(soup): -
summary(soup) -
print("下边打印相关链接：") -
each = get_urls(soup) -
while True: -
try: -
for i in range(10): -
print(next(each)) -
except StopIteration: -
break -
command = input("输入任意字符将继续打印，q退出程序：") -
if command == 'q': -
break -
else: -
continue -
if __name__ == "__main__": -
main()