Python爬虫的requests(学习于b站尚硅谷)

目录

  • 一、requests
    •   1. requests的基本使用
      •   (1)文档
      •   (2)安装
      •   (3)响应response的属性以及类型
      •   (4)代码演示
    •   2.requests之get请求
    •   3. requests之post请求
      •   (1)演示示例-爬取百度翻译
      •   (2)get和post区别
    •   4. requests之代理
    •   5. requests之cookie登陆古诗文网(含在程序端输入验证码、隐藏域反爬、session)
    •   6. requests_超级鹰打码平台的使用

  说明:该文章是学习 尚硅谷在B站上分享的视频 Python爬虫教程小白零基础速通p51-104而记录的笔记,笔记来源于本人,关于python基础可以去CSDN上阅读本人学习黑马程序员的笔记。 若有侵权,请联系本人删除。笔记难免可能出现错误或笔误,若读者发现笔记有错误,欢迎在评论里批评指正。 请合法合理使用爬虫,不爬取任何涉密以及涉及隐私的内容,合理控制请求次数,爬取的内容未经授权请不要用于商用,保护自己,免受牢狱之灾。
Python爬虫的requests(学习于b站尚硅谷)_第1张图片
Python爬虫的requests(学习于b站尚硅谷)_第2张图片

  本章将学习requests,首先,requests和urllib的作用几乎一模一样。但是,在处理某些页面时,requests会更加方便、更加简单、更加强大。这里用表格对比一下urllib以及requests学习的内容。

方法 urllib requests
主要内容 一个类型以及六个方法
get请求
post请求 百度翻译
ajax的get请求
ajax的post请求
cookie登陆 微博
代理
一个类型以及六个属性
get请求
post请求
代理
cookie
验证码

一、requests

  1. requests的基本使用

  (1)文档

官方文档
    https://requests.readthedocs.io/projects/cn/zh_CN/latest/
快速上手
    https://requests.readthedocs.io/projects/cn/zh_CN/latest/user/quickstart.html

  官方文档内容比较多,快速上手的文档里面就是一些基本使用、基本操作。
Python爬虫的requests(学习于b站尚硅谷)_第3张图片
Python爬虫的requests(学习于b站尚硅谷)_第4张图片

  (2)安装

安装命令:pip install requests -i https://pypi.mirrors.ustc.edu.cn/simple/

  安装具体步骤:如下图,先打开“命令提示符”。
Python爬虫的requests(学习于b站尚硅谷)_第5张图片
  然后在命令提示符里安装requests。
Python爬虫的requests(学习于b站尚硅谷)_第6张图片

  (3)响应response的属性以及类型

类型 models.Response
r.text 获取网站源码
r.encoding 访问或定制编码方式
r.url 获取请求的url
r.content 响应的字节类型
r.status_code 响应的状态码
r.headers 响应的头信息

  (4)代码演示

  创建文件夹“爬虫的requests”。
Python爬虫的requests(学习于b站尚硅谷)_第7张图片
  创建文件“084_requests的基本使用.py”。
Python爬虫的requests(学习于b站尚硅谷)_第8张图片
  如下编程,发现requests的响应的类型为Response,这和urllib不一样,在之前的学习中我们知道urllib返回的响应的类型为HTTPResponse。

"""
requests的基本使用
"""
import requests

url = 'http://www.baidu.com'
# 访问网址并接收产生的响应
response = requests.get(url)

# 一个类型和六个属性
# Response类型
print(f"respons的类型:{type(response)}")

Python爬虫的requests(学习于b站尚硅谷)_第9张图片
  如下编程,发现如果不设置编码格式,获取的网页源码会有乱码出现。

"""
requests的基本使用
"""
import requests

url = 'http://www.baidu.com'
# 访问网址并接收产生的响应
response = requests.get(url)

# 一个类型和六个属性
# Response类型
print(f"respons的类型:{type(response)}")

# (1)以字符串的形式返回网页源码
print(f"response.text的内容:{response.text}")

Python爬虫的requests(学习于b站尚硅谷)_第10张图片
  如下,设置编码格式为’UTF-8’后,就没有乱码了。
Python爬虫的requests(学习于b站尚硅谷)_第11张图片
  继续编程,熟悉其他4个类型。

"""
requests的基本使用
"""
import requests

url = 'http://www.baidu.com'
# 访问网址并接收产生的响应
response = requests.get(url)

# 一个类型和六个属性
# Response类型
# print(f"respons的类型:{type(response)}")

# # (2)设置响应的编码格式
# response.encoding = 'UTF-8'

# # (1)以字符串的形式返回网页源码
# print(f"response.text的内容:{response.text}")

# (3)返回一个url地址
print(f"response.url返回的内容:{response.url}")

# (4)返回二进制数据
print(f"response.content返回的内容:{response.content}")

# (5)返回响应的状态码
print(f"response.status_code返回的内容:{response.status_code}")

# (6)返回的是请求头
print(f"response.headers返回的内容:{response.headers}")

Python爬虫的requests(学习于b站尚硅谷)_第12张图片

  2.requests之get请求

  如下图,本次需要获取“https://www.baidu.com/s?wd=北京”的网页源码,但是“北京”存在编码问题,需要在代码中进行处理。
Python爬虫的requests(学习于b站尚硅谷)_第13张图片
  创建文件“085_requests之get请求.py”。
Python爬虫的requests(学习于b站尚硅谷)_第14张图片
  如下编程并运行(注:下面代码需要在请求头中加Cookie才能没有百度的安全验证)。
Python爬虫的requests(学习于b站尚硅谷)_第15张图片

"""
requests之get请求
"""
import requests

url = 'https://www.baidu.com/s?'
# 请求头
headers = {
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWeb-Kit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
data = {
    'wd': '北京'
}

# url       请求资源路径
# params    参数
# kwargs    字典
response = requests.get(url=url, params=data, headers=headers)
response.encoding = 'UTF-8'
content = response.text

print(content)

# 总结:
# (1)参数使用params传递
# (2)参数无需urlencode编码
# (3)不需要请求对象的定制
# (4)请求资源路径中的?可以加,也可以不加

  3. requests之post请求

  (1)演示示例-爬取百度翻译

  如下图,寻找百度翻译的接口。首先打开百度翻译(“https://fanyi.baidu.com/”),打开检查,点击网络。然后随便输入一个单词,之后根据接口的负载找到对应的接口,发现它是一个post请求。
Python爬虫的requests(学习于b站尚硅谷)_第16张图片
Python爬虫的requests(学习于b站尚硅谷)_第17张图片
Python爬虫的requests(学习于b站尚硅谷)_第18张图片
  创建文件“086_requests之post请求.py”,并将接口的请求地址、参数复制过来。
Python爬虫的requests(学习于b站尚硅谷)_第19张图片Python爬虫的requests(学习于b站尚硅谷)_第20张图片Python爬虫的requests(学习于b站尚硅谷)_第21张图片
  如下编程并运行。

"""
requests之post请求
"""
import encodings.utf_8

import requests
import json

url = 'https://fanyi.baidu.com/sug'
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
data = {
    'kw': 'eye'
}

response = requests.post(url=url, data=data, headers=headers)
content = response.text
# print(content)  # 测试代码,验证是否获取到网页源码

obj = json.loads(content)
print(obj)

# 总结:
# (1)post请求  是不需要编解码
# (2)post请求的参数是data
# (3)不需要请求对象的定制

Python爬虫的requests(学习于b站尚硅谷)_第22张图片

  (2)get和post区别

①get请求的参数名字是params post请求的参数的名字是data
②get请求资源路径后面可以不加?
③不需要手动编解码
④不需要做请求对象的定制

  4. requests之代理

  requests的代理和urllib的代理都差不多,主要都是想解决当我们在模拟浏览器向服务器发送请求时,我们在短时间内快速、高频次访问某个网站面临ip被封的问题。
  本次将保存搜索“ip”这一页的网页源码,再使用快代理使用国内其他省份的ip(试了,快代理上的免费ip没用,失败了。本人穷鬼一个,没钱,就不去花钱来演示了),具体步骤如下。
  先直接在百度上搜索“ip”,删去网址中含广告的部分后,剩余“https://www.baidu.com/s?wd=ip”。
Python爬虫的requests(学习于b站尚硅谷)_第23张图片
  创建文件“087_requests之代理.py”。
Python爬虫的requests(学习于b站尚硅谷)_第24张图片
  先如下编程,保存搜索“ip”这一页的网页源码,可以查到本人当前ip地址属于中国重庆。

"""
requests之代理
"""
import requests

url = 'https://www.baidu.com/s?'
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
data = {
    'wd': 'ip'
}
response = requests.get(url=url, params=data, headers=headers)

content = response.text

with open('代理.html', 'w', encoding='UTF-8') as fp:
    fp.write(content)

Python爬虫的requests(学习于b站尚硅谷)_第25张图片
  如下图,打开快代理的官网,试一试免费代理的ip。
Python爬虫的requests(学习于b站尚硅谷)_第26张图片
  继续编程,使用快代理的免费“ip”,发现不好用,切换失败。如果家里有条件,可以去买个ip来试。

"""
requests之代理
"""
import requests

url = 'https://www.baidu.com/s?'
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
data = {
    'wd': 'ip'
}

# 设置其他ip
proxy={
    'http':'58.20.184.187:9091'
}

response = requests.get(url=url, params=data, headers=headers,proxies=proxy)

content = response.text

with open('代理.html', 'w', encoding='UTF-8') as fp:
    fp.write(content)

  5. requests之cookie登陆古诗文网(含在程序端输入验证码、隐藏域反爬、session)

  进入本次演示以前,本人先声明一下:学习爬虫的小伙伴们,如果有人想绕过网站的登陆系统,直接进入需要登陆才有的网页数据,请规范好自己的行为。维护网站的人员通过该行为来访问自己的网站,建立反爬机制是没有问题的,非内部人员就不好说了。另外,爬虫技术和图像识别等技术,单独学习使用是没有问题的,但通过结合来使用爬虫绕过登陆系统的行为是否存在问题,还请自行思考。本次的演示是从程序端老老实实的输入验证码,并没有绕过登陆系统,不存在可能出现的违规行为。
Python爬虫的requests(学习于b站尚硅谷)_第27张图片
  如下图,进入古诗词网(“https://www.gushiwen.cn/”),点击“我的”,发现有一登陆页面。本次演示需要通过程序端输入账号和密码,然后在程序端填写验证码并登陆。
Python爬虫的requests(学习于b站尚硅谷)_第28张图片
  如下图,先注册一账号以便程序使用(本人使用的是临时邮箱,不用打码了)。
Python爬虫的requests(学习于b站尚硅谷)_第29张图片Python爬虫的requests(学习于b站尚硅谷)_第30张图片
  创建文件“088_requests之cookie登陆古诗文网(含验证码).py”。
Python爬虫的requests(学习于b站尚硅谷)_第31张图片
  如下图,寻找登陆接口。打开检查,点击网络,清空列表,输入正确邮箱、错误密码、正确验证码,点击登陆,然后保持住浏览器的网页不要动。
Python爬虫的requests(学习于b站尚硅谷)_第32张图片
  在含有登陆英文login的接口里寻找登陆接口,发现某一接口里含登陆名、密码、验证码,说明它正是我们需要找的登陆接口,然后将参数复制到PyCharm中,然后进行思考实现我们的需求需要怎么做。
Python爬虫的requests(学习于b站尚硅谷)_第33张图片Python爬虫的requests(学习于b站尚硅谷)_第34张图片
  如下图所示,点击确定,回到登陆页面,在网页源码中寻找到其中两个参数。
Python爬虫的requests(学习于b站尚硅谷)_第35张图片Python爬虫的requests(学习于b站尚硅谷)_第36张图片
Python爬虫的requests(学习于b站尚硅谷)_第37张图片
  如下操作,找到需要的网页源码的请求地址,并复制到PyCharm中。
Python爬虫的requests(学习于b站尚硅谷)_第38张图片Python爬虫的requests(学习于b站尚硅谷)_第39张图片
  如下编程,获取网页源码,并使用快捷键Ctr+F去搜一下,确定有无需要的数据。

"""
cookie登陆古诗文网(含验证码)
"""
# 通过登陆  然后进入到主页面

# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# __VIEWSTATE: wzavkIiUpeGeXT-Gu4jEWSBcHAneSt4SJdDa3y/PEP5sDZuLEWgE1r37kEQzlJ/pVVbYYMe7vrMvtm3NUmkX2KGAuPYULzyiZDcfhry5nbmFCtGY/RrDbqJIDMu0KDOYRMeQRs/Xwv2vH/1ZpkEoSK0lGoA0=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: [email protected]
# pwd: 8YW8GYET78933ETR
# code: 32GV
# denglu: 登录

# 我们观察到_VIEWSTATE   __VIEWSTATEGENERATOR  code是一个可以变化的量

# 难点:(1)_VIEWSTATE   __VIEWSTATEGENERATOR  一般情况看不到的数据 都是在页面的源码中
#     我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
#     (2)验证码

import requests

# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.a'

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
response = requests.get(url=url, headers=headers)
content = response.text
print(content)  # 测试代码,验证能否获取网页源码

Python爬虫的requests(学习于b站尚硅谷)_第40张图片
  如下图,根据检查里的元素思考寻找其中两个变量的参数的方法。
Python爬虫的requests(学习于b站尚硅谷)_第41张图片
  如下编程,成功获取这两个变量的参数(“_VIEWSTATE”需改为“__VIEWSTATE”,笔误)。

"""
cookie登陆古诗文网(含验证码)
"""
# 通过登陆  然后进入到主页面

# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# __VIEWSTATE: wzavkIiUpeGeXT-Gu4jEWSBcHAneSt4SJdDa3y/PEP5sDZuLEWgE1r37kEQzlJ/pVVbYYMe7vrMvtm3NUmkX2KGAuPYULzyiZDcfhry5nbmFCtGY/RrDbqJIDMu0KDOYRMeQRs/Xwv2vH/1ZpkEoSK0lGoA0=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: [email protected]
# pwd: 8YW8GYET78933ETR
# code: 32GV
# denglu: 登录

# 我们观察到__VIEWSTATE   __VIEWSTATEGENERATOR  code是一个可以变化的量

# 难点:(1)__VIEWSTATE   __VIEWSTATEGENERATOR  一般情况看不到的数据 都是在页面的源码中
#     我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
#     (2)验证码

import requests
from bs4 import BeautifulSoup

# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.a'

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
response = requests.get(url=url, headers=headers)
content = response.text
# print(content)  # 测试代码,验证能否获取网页源码

# 解析页面源码  然后获取__VIEWSTATE   __VIEWSTATEGENERATOR
soup = BeautifulSoup(content, 'lxml')

# 获取__VIEWSTATE
# .select返回列表,需用切片取出对应标签      .attrs.get获取属性值
viewstate = soup.select('#__VIEWSTATE')[0].attrs.get('value')

# 获取__VIEWSTATEGENERATOR
viewstategenerator = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')

print(viewstate)
print(viewstategenerator)

Python爬虫的requests(学习于b站尚硅谷)_第42张图片
  接下来还需要寻找验证码。如图,点击验证码,右击选择检查,将鼠标放在src处等待一会,观察后发现,可根据id找到验证码的图片链接的参数,说明验证码图片链接需要拼接。
Python爬虫的requests(学习于b站尚硅谷)_第43张图片Python爬虫的requests(学习于b站尚硅谷)_第44张图片
  如下编程,成功获取到验证码图片的url。

"""
cookie登陆古诗文网(含验证码)
"""
# 通过登陆  然后进入到主页面

# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# __VIEWSTATE: wzavkIiUpeGeXT-Gu4jEWSBcHAneSt4SJdDa3y/PEP5sDZuLEWgE1r37kEQzlJ/pVVbYYMe7vrMvtm3NUmkX2KGAuPYULzyiZDcfhry5nbmFCtGY/RrDbqJIDMu0KDOYRMeQRs/Xwv2vH/1ZpkEoSK0lGoA0=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: [email protected]
# pwd: 8YW8GYET78933ETR
# code: 32GV
# denglu: 登录

# 我们观察到__VIEWSTATE   __VIEWSTATEGENERATOR  code是一个可以变化的量

# 难点:(1)__VIEWSTATE   __VIEWSTATEGENERATOR  一般情况看不到的数据 都是在页面的源码中
#     我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
#     (2)验证码

import requests
from bs4 import BeautifulSoup

# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.a'

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
response = requests.get(url=url, headers=headers)
content = response.text
# print(content)  # 测试代码,验证能否获取网页源码

# 解析页面源码  然后获取__VIEWSTATE   __VIEWSTATEGENERATOR
soup = BeautifulSoup(content, 'lxml')

# 获取__VIEWSTATE
# .select返回列表,需用切片取出对应标签      .attrs.get获取属性值
viewstate = soup.select('#__VIEWSTATE')[0].attrs.get('value')

# 获取__VIEWSTATEGENERATOR
viewstategenerator = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')

# print(viewstate)  # 测试代码,验证是否获取到__VIEWSTATE的参数
# print(viewstategenerator)  # 测试代码,验证是否获取到__VIEWSTATEGENERATOR的参数

# 获取验证码图片
code_url_para = soup.select('#imgCode')[0].attrs.get('src')
code_url = 'https://so.gushiwen.cn/' + code_url_para
print(code_url)  # 测试代码,验证是否获取到验证码的图片的url

Python爬虫的requests(学习于b站尚硅谷)_第45张图片
  如之前所说的,通过输入正确邮箱、错误密码、正确验证码,点击登陆,来寻找登陆接口,然后将接口的请求地址复制到PyCharm中。
Python爬虫的requests(学习于b站尚硅谷)_第46张图片
  如下编程,发现直接获取验证码,然后在程序端输入验证码后登不进去。这是因为“urllib.request.urlretrieve”下载图片提交的请求和“requests.post”提交的请求不是同一个导致的,requests.post”提交的请求时验证码已经改变。

"""
cookie登陆古诗文网(含验证码)
"""
# 通过登陆  然后进入到主页面

# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# __VIEWSTATE: wzavkIiUpeGeXT-Gu4jEWSBcHAneSt4SJdDa3y/PEP5sDZuLEWgE1r37kEQzlJ/pVVbYYMe7vrMvtm3NUmkX2KGAuPYULzyiZDcfhry5nbmFCtGY/RrDbqJIDMu0KDOYRMeQRs/Xwv2vH/1ZpkEoSK0lGoA0=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: [email protected]
# pwd: 8YW8GYET78933ETR
# code: 32GV
# denglu: 登录

# 我们观察到__VIEWSTATE   __VIEWSTATEGENERATOR  code是一个可以变化的量

# 难点:(1)__VIEWSTATE   __VIEWSTATEGENERATOR  一般情况看不到的数据 都是在页面的源码中
#     我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
#     (2)验证码

import requests
from bs4 import BeautifulSoup
import urllib.request

# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.a'

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
response = requests.get(url=url, headers=headers)
content = response.text
# print(content)  # 测试代码,验证能否获取网页源码

# 解析页面源码  然后获取__VIEWSTATE   __VIEWSTATEGENERATOR
soup = BeautifulSoup(content, 'lxml')

# 获取__VIEWSTATE
# .select返回列表,需用切片取出对应标签      .attrs.get获取属性值
viewstate = soup.select('#__VIEWSTATE')[0].attrs.get('value')

# 获取__VIEWSTATEGENERATOR
viewstategenerator = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')

# print(viewstate)  # 测试代码,验证是否获取到__VIEWSTATE的参数
# print(viewstategenerator)  # 测试代码,验证是否获取到__VIEWSTATEGENERATOR的参数

# 获取验证码图片
code_url_para = soup.select('#imgCode')[0].attrs.get('src')
code_url = 'https://so.gushiwen.cn/' + code_url_para
# print(code_url)  # 测试代码,验证是否获取到验证码的图片的url

# 有坑
# 在浏览器的检查的网络里找登陆接口时,如果不勾选检查的网络里的保留日志
# 且输入正确的名字、正确的密码、正确的验证码并登陆后,老版浏览器或者可能别的浏览器会
# 出现登陆接口会消失的情况,  进而导致无法寻找到登陆接口
urllib.request.urlretrieve(url=code_url, filename='code.jpg')

# 获取了验证码的图片之后 下载到本地 然后观察验证码 观察之后 然后在控制台输入这个验证码
# 就可以捋这个值给code的参数 就可以登陆
code_name = input('请输入你的验证码')

# 点击登陆
url_post = 'https://so.gushiwen.cn/user/login.aspx?from=http%3a%2f%2fso.gushiwen.cn%2fuser%2fcollect.aspx'
data_post = {
    '__VIEWSTATE': viewstate,
    '__VIEWSTATEGENERATOR': viewstategenerator,
    'from': 'http://so.gushiwen.cn/user/collect.aspx',
    'email': '[email protected]',
    'pwd': 'u89w7829e',  # 此处请输入正确的密码
    'code': code_name,
    'denglu': '登录',
}

response_post = requests.post(url=url_post, headers=headers, data=data_post)
content_post=response_post.text

with open('古诗文.html','w',encoding='UTF-8') as fp:
    fp.write(content_post)


  删去文件“code.jpg”和“古诗文.html”。

  如下编程并运行,成功登陆网页。

"""
cookie登陆古诗文网(含验证码)
"""
# 通过登陆  然后进入到主页面

# 通过找登陆接口我们发现 登陆的时候需要的参数很多
# __VIEWSTATE: wzavkIiUpeGeXT-Gu4jEWSBcHAneSt4SJdDa3y/PEP5sDZuLEWgE1r37kEQzlJ/pVVbYYMe7vrMvtm3NUmkX2KGAuPYULzyiZDcfhry5nbmFCtGY/RrDbqJIDMu0KDOYRMeQRs/Xwv2vH/1ZpkEoSK0lGoA0=
# __VIEWSTATEGENERATOR: C93BE1AE
# from: http://so.gushiwen.cn/user/collect.aspx
# email: [email protected]
# pwd: 8YW8GYET78933ETR
# code: 32GV
# denglu: 登录

# 我们观察到__VIEWSTATE   __VIEWSTATEGENERATOR  code是一个可以变化的量

# 难点:(1)__VIEWSTATE   __VIEWSTATEGENERATOR  一般情况看不到的数据 都是在页面的源码中
#     我们观察到这两个数据在页面的源码中 所以我们需要获取页面的源码 然后进行解析就可以获取了
#     (2)验证码

import requests
from bs4 import BeautifulSoup
import urllib.request

# 这是登陆页面的url地址
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.a'

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) Ap-pleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Mobile Safari/537.36 Edg/115.0.1901.200',
}
response = requests.get(url=url, headers=headers)
content = response.text
# print(content)  # 测试代码,验证能否获取网页源码

# 解析页面源码  然后获取__VIEWSTATE   __VIEWSTATEGENERATOR
soup = BeautifulSoup(content, 'lxml')

# 获取__VIEWSTATE
# .select返回列表,需用切片取出对应标签      .attrs.get获取属性值
viewstate = soup.select('#__VIEWSTATE')[0].attrs.get('value')

# 获取__VIEWSTATEGENERATOR
viewstategenerator = soup.select('#__VIEWSTATEGENERATOR')[0].attrs.get('value')

# print(viewstate)  # 测试代码,验证是否获取到__VIEWSTATE的参数
# print(viewstategenerator)  # 测试代码,验证是否获取到__VIEWSTATEGENERATOR的参数

# 获取验证码图片
code_url_para = soup.select('#imgCode')[0].attrs.get('src')
code_url = 'https://so.gushiwen.cn/' + code_url_para
# print(code_url)  # 测试代码,验证是否获取到验证码的图片的url

# 有坑
# (1)在浏览器的检查的网络里找登陆接口时,如果不勾选检查的网络里的保留日志
# 且输入正确的名字、正确的密码、正确的验证码并登陆后,老版浏览器或者可能别的浏览器会
# 出现登陆接口会消失的情况,  进而导致无法寻找到登陆接口
# (2)“urllib.request.urlretrieve”下载图片提交的请求和“requests.post”提交的请求不是同一个,
# 会导致“requests.post”提交的请求时,程序端输入的验证码失效
# requests里面有一个方法 session()  通过session的返回值 就能使用请求变成一个对象
# urllib.request.urlretrieve(url=code_url, filename='code.jpg')
session = requests.session()
# 验证码的url的内容
response_code = session.get(code_url)
# 注意此时要使用二进制数据,通过二进制下载图片
content_code = response_code.content
# wb的模式就是将二进制数据写入到文件
with open('code.jpg', 'wb') as fp:
    fp.write(content_code)

# 获取了验证码的图片之后 下载到本地 然后观察验证码 观察之后 然后在控制台输入这个验证码
# 就可以捋这个值给code的参数 就可以登陆
code_name = input('请输入你的验证码')

# 点击登陆
url_post = 'https://so.gushiwen.cn/user/login.aspx?from=http%3a%2f%2fso.gushiwen.cn%2fuser%2fcollect.aspx'
data_post = {
    '__VIEWSTATE': viewstate,
    '__VIEWSTATEGENERATOR': viewstategenerator,
    'from': 'http://so.gushiwen.cn/user/collect.aspx',
    'email': '[email protected]',
    'pwd': 'u89w7829e',  # 此处请输入正确的密码
    'code': code_name,
    'denglu': '登录',
}

response_post = session.post(url=url_post, headers=headers, data=data_post)
content_post = response_post.text

with open('古诗文.html', 'w', encoding='UTF-8') as fp:
    fp.write(content_post)

# 难点
# (1) 隐藏域
# (2) 验证码


  如果不再使用该网站的账号,可以删除该账号。
Python爬虫的requests(学习于b站尚硅谷)_第47张图片Python爬虫的requests(学习于b站尚硅谷)_第48张图片Python爬虫的requests(学习于b站尚硅谷)_第49张图片

  6. requests_超级鹰打码平台的使用

  本次将演示如何使用超级鹰打码平台来识别验证码。如下图所示,打开超级鹰平台(“http://www.chaojiying.com/”),然后点击开发文档,找到并点击“超级鹰图像识别Python语言Demo下载”,然后选择“点击这里下载”。

  然后解压下载的文件,将其中的两个文件(即“a.jpg”和“chaojiying.py”)复制到PyCharm的文件夹“爬虫的requests”中,然后可以打开这两个文件浏览一下有哪些内容。
Python爬虫的requests(学习于b站尚硅谷)_第50张图片Python爬虫的requests(学习于b站尚硅谷)_第51张图片
  然后在网站中可以使用一个临时邮箱注册,如果有需要的可以使用长久邮箱注册。
Python爬虫的requests(学习于b站尚硅谷)_第52张图片Python爬虫的requests(学习于b站尚硅谷)_第53张图片
  如下图,注册后会自动登陆,然后点击“软件ID”,去生成一个ID。
Python爬虫的requests(学习于b站尚硅谷)_第54张图片Python爬虫的requests(学习于b站尚硅谷)_第55张图片Python爬虫的requests(学习于b站尚硅谷)_第56张图片
  再将ID复制到PyCharm中,并在代码的对应位置输入账号和密码,print处也要加括号。
Python爬虫的requests(学习于b站尚硅谷)_第57张图片Python爬虫的requests(学习于b站尚硅谷)_第58张图片
  如下所示编程,按理说能够发现该代码能够获取图片的验证码,可是超级鹰需要题分,即需要关注以及充钱之类的,这个,本人没钱。
Python爬虫的requests(学习于b站尚硅谷)_第59张图片

#!/usr/bin/env python
# coding:utf-8

import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Tri-dent/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', da-ta=params, files=files, headers=self.headers)
        return r.json()

    def PostPic_base64(self, base64_str, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
            'file_base64':base64_str
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', da-ta=params, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', da-ta=params, headers=self.headers)
        return r.json()


if __name__ == '__main__':
    chaojiying = Chaojiying_Client('nvoau092bfk', 'u89w7829e', '951546')    #用户中心>>软件ID 生成一个替换 96001
    im = open('a.jpg', 'rb').read()                                     #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    print(chaojiying.PostPic(im, 1902).get('pic_str'))                                   #1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()
    #print chaojiying.PostPic(base64_str, 1902)  #此处为传入 base64代码

  好了,本章的笔记到此结束,谢谢大家阅读。

你可能感兴趣的:(未分类,python,爬虫,学习)