Python3网络爬虫：requests爬取动态网页内容

Python3网络爬虫：requests爬取动态网页内容

Python版本：python3.+ 
运行环境：OSX 
IDE：pycharm

一、工具准备

抓包工具：在OSX下,我使用的是Charles4.0

• 下载链接以及安装教程:http://www.sdifen.com/charles4.html
• 安装完成后，要给Charles安装证书,Mac上使用Charles对https请求抓包–安装Root Certificate中前半部分讲的就是Charles安装证书的步骤，后半部分是设置抓取手机包的步骤，在这我们用不到

代理工具:chrome插件 SwitchOmega 
- 由于Charles的工作原理是以自身作为代理,让比如chrome浏览器通过该代理来进行收发数据,以此达到抓包的目的。我们可以通过chrome设置来代理，但是chrome插件 SwitchOmega能够让我们方便地自由切换代理，以此达到高效，快捷的生活。(笑)

SwitchOmega使用方法

1. 安装完插件,如图,点击选项
   
2. 点击新建情景模式 
   
   
3. 自定义一个名字,选择代理服务器,点击创建
   
   
4. 代理协议填http,代理服务器填127.0.0.1,代理端口填8888,点击应用选项,会提示保存成功
   
   
5. 退出到首页,在目标网页(https://unsplash.com/)下,如图,可以通过选择我们设置好的charles来设置全局代理(所有网站的数据请求都通过代理) 
   
6. 也可以通过仅为该网站设置代理
   
   

二、知识储备

requests.get()：requests官方文档 
  在这里，request.get()中我是用到了  verify=False,stream=True这两个额外参数 
  verify = False能越过网站的SSL验证 
  stream=True保持流的开启,直到流的关闭。在下载图片过程中，能让图片在完全下载下来之前保持数据流不关闭,以保障图片下载的完全性。如果去掉该参数再下载图片,则会发现图片无法下载成功。 
contextlib.closing()：contextlib库下的closing方法，功能是将对象变成上下文对象,以此来支持with。 
  使用过 with open() 就知道 with的好处是能帮我们自动关闭资源对象，以此来简化代码。而实际上，任何对象，只要正确实现了上下文管理，就可以用于with语句。这里还有一篇关于with语句与上下文管理器

三、思路整理

这次抓取的动态网页是个壁纸网站,上面有精美的壁纸,我们的目的就是通过爬虫,把该网站上的壁纸原图下载到本地

网站url:https://unsplash.com/

已知该网站是动态网站,那就需要通过抓取网站的js包来分析,它是如何获得数据的。

1. 通过Charles来获取打开网站时的请求
2. 从中查找到有用的json
3. 从json中的数据,比较下载链接的url,发现,下载链接变化部分就是图片的id
4. 从json中爬出图片id，在下载链接上填充id部分,执行下载操作

四、具体步骤

1. 通过Charles来获取打开网站时的请求,如图
   
   从图中不难发现在headers中有一个authorization Client-ID的参数,这需要记下来，加在我们自己的请求头中。(由于是学习笔记的原因,该参数已知为反爬虫所需要的参数，具体检测反爬的操作,估计可以自己添加参数一个一个尝试)
2. 从中查找到有用的json
   在
   在这里我们就发现了存有图片ID
3. 在网页上点击下载图片,,从抓包中抓取下载链接，发现下载链接变化部分就是图片的id
   
   这样，就能确定爬取图片的具体步骤了。
4. 从json中爬出图片id，在下载链接上填充id部分,执行下载操作
5. 分析完之后,总结一下代码步骤
   
   • 爬取包中的图片id,保存到list中
   • 依次按照图片id，进行图片的下载

五、代码整理

代码步骤 
1. 爬取图片id,保存到list中去

# -*- coding:utf-8 -*-
import requests,json

def get_ids():
    # target_url = 'http://unsplash.com/napi/feeds/home'
    id_url = 'http://unsplash.com/napi/feeds/home'
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/61.0.3163.79 Safari/537.36',
        'authorization': '*************'#此部分参数通过抓包获取

    }
    id_lists = []
    # SSLerror 通过添加 verify=False来解决
    try:
        response = requests.get(id_url, headers=header, verify=False, timeout=30)
        response.encoding = 'utf-8'
        print(response.text)

        dic = json.loads(response.text)
        # print(dic)
        print(type(dic))
        print("next_page:{}".format(dic['next_page']))
        for each in dic['photos']:
            # print("图片ID:{}".format(each['id']))
            id_lists.append(each['id'])
        print("图片id读取完成")
        return id_lists
    except:
        print("图片id读取发生异常")
        return False
if __name__=='__main__':
    id_lists = get_ids()
    if not id_lists is False:
        for id in id_lists:
            print(id)

结果如图所示，图片ID已经成功打印出来了 

1. 依据图片id,进行图片的下载

import os
from contextlib import closing
import requests
from datetime import datetime

def download(img_id):
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/61.0.3163.79 Safari/537.36',
        'authorization': '***********'#此参数需从包中获取
    }
    file_path = 'images'
    download_url = 'https://unsplash.com/photos/{}/download?force=true'
    download_url = download_url.format(img_id)
    if file_path not in os.listdir():
        os.makedirs('images')
    # 2种下载方法
    # 方法1
    # urlretrieve(download_url,filename='images/'+img_id)
    # 方法2 requests文档推荐方法
    # response = requests.get(download_url, headers=self.header,verify=False, stream=True)
    # response.encoding=response.apparent_encoding
    chunk_size = 1024
    with closing(requests.get(download_url, headers=header, verify=False, stream=True)) as response:
        file = '{}/{}.jpg'.format(file_path, img_id)
        if os.path.exists(file):
            print("图片{}.jpg已存在,跳过本次下载".format(img_id))
        else:
            try:
                start_time = datetime.now()
                with open(file, 'ab+') as f:
                    for chunk in response.iter_content(chunk_size=chunk_size):
                        f.write(chunk)
                        f.flush()
                end_time = datetime.now()
                sec = (end_time - start_time).seconds
                print("下载图片{}完成,耗时:{}s".format(img_id, sec))
            except:
                if os.path.exists(file):
                    os.remove(file)
                print("下载图片{}失败".format(img_id))
if __name__=='__main__':
    img_id = 'vgpHniLr9Uw'
    download(img_id)

• 1
• 运行结果:

 下载前

 下载后

合并代码，进行批量下载

# -*- coding:utf-8 -*-
import requests,json
from urllib.request import urlretrieve
import os
from datetime import datetime
from contextlib import closing
import time
class UnsplashSpider:
    def __init__(self):
        self.id_url = 'http://unsplash.com/napi/feeds/home'
        self.header = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) '
                          'AppleWebKit/537.36 (KHTML, like Gecko) '
                          'Chrome/61.0.3163.79 Safari/537.36',
            'authorization': '***********'#此部分需要自行添加
        }
        self.id_lists = []
        self.download_url='https://unsplash.com/photos/{}/download?force=true'
        print("init")
    def get_ids(self):
        # target_url = 'http://unsplash.com/napi/feeds/home'
        # target_url = 'https://unsplash.com/'

        #SSLerror 通过添加 verify=False来解决
        try:
            response = requests.get(self.id_url,headers=self.header,verify=False, timeout=30)
            response.encoding = 'utf-8'
            # print(response.text)

            dic = json.loads(response.text)
            # print(dic)
            print(type(dic))
            print("next_page:{}".format(dic['next_page']))
            for each in dic['photos']:
                # print("图片ID:{}".format(each['id']))
                self.id_lists.append(each['id'])
            print("图片id读取完成")
            return self.id_lists
        except:
            print("图片id读取发生异常")
            return False
    def download(self,img_id):
        file_path = 'images'
        download_url = self.download_url.format(img_id)
        if file_path not in os.listdir():
            os.makedirs('images')
        # 2种下载方法
        # 方法1
        # urlretrieve(download_url,filename='images/'+img_id)
        # 方法2 requests文档推荐方法
        # response = requests.get(download_url, headers=self.header,verify=False, stream=True)
        # response.encoding=response.apparent_encoding
        chunk_size=1024
        with closing(requests.get(download_url, headers=self.header,verify=False, stream=True)) as response:
            file = '{}/{}.jpg'.format(file_path,img_id)
            if os.path.exists(file):
                print("图片{}.jpg已存在,跳过本次下载".format(img_id))
            else:
                try:
                    start_time = datetime.now()
                    with open(file,'ab+') as f:
                        for chunk in response.iter_content(chunk_size = chunk_size):
                            f.write(chunk)
                            f.flush()
                    end_time = datetime.now()
                    sec = (end_time - start_time).seconds
                    print("下载图片{}完成,耗时:{}s".format(img_id,sec))
                except:
                    print("下载图片{}失败".format(img_id))



if __name__=='__main__':
    us = UnsplashSpider()
    id_lists = us.get_ids()
    if not id_lists is False:
        for id in id_lists:
            us.download(id)
            #合理的延时,以尊敬网站
            time.sleep(1)

六、结语

因为本文是学习笔记,中间省略了一些细节。

结合其他资料一起学习，发现爬取动态网站的关键点是抓包分析。只要能从包中分析出关键的数据，剩下写爬虫的步骤