美文网首页分布式爬虫
9、web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号

9、web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号

作者: 攻城狮笔记 | 来源:发表于2019-03-22 17:01 被阅读44次

    百度云搜索,搜各种资料:http://www.81ad.cn

    封装模块

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    import urllib
    from urllib import request
    import json
    import random
    import re
    import urllib.error
    def hq_html(hq_url):
        """
        hq_html()封装的爬虫函数,自动启用了用户代理和ip代理
        接收一个参数url,要爬取页面的url,返回html源码
        """
        def yh_dl():    #创建用户代理池
            yhdl = [
                'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
                'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
                'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
                'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
                'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
                'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
                'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)',
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
                'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
                'User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
                'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
                'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1',
                'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10',
                'Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13',
                'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+',
                'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)',
                'UCWEB7.0.2.37/28/999',
                'NOKIA5700/ UCWEB7.0.2.37/28/999',
                'Openwave/ UCWEB7.0.2.37/28/999',
                'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999'
                ]
            thisua = random.choice(yhdl)                    #随机获取代理信息
            headers = ("User-Agent",thisua)                 #拼接报头信息
            opener = urllib.request.build_opener()          #创建请求对象
            opener.addheaders=[headers]                     #添加报头到请求对象
            urllib.request.install_opener(opener)           #将报头信息设置为全局,urlopen()方法请求时也会自动添加报头
    
        def dai_li_ip(hq_url):    #创建ip代理池
            url = "http://http-webapi.zhimaruanjian.com/getip?num=1&type=2&pro=&city=0&yys=0&port=11&time=1&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=1"
            if url:
                data = urllib.request.urlopen(url).read().decode("utf-8")
                data2 = json.loads(data)  # 将字符串还原它本来的数据类型
                # print(data2['data'][0])
                ip = str(data2['data'][0]['ip'])
                dkou = str(data2['data'][0]['port'])
                zh_ip = ip + ':' + dkou
                pat = "(\w*):\w*"
                rst = re.compile(pat).findall(hq_url)  #正则匹配获取是http协议还是https协议
                rst2 = rst[0]
                proxy = urllib.request.ProxyHandler({rst2: zh_ip})  # 格式化IP,注意,第一个参数,请求目标可能是http或者https,对应设置
                opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)  # 初始化IP
                urllib.request.install_opener(opener)  # 将代理IP设置成全局,当使用urlopen()请求时自动使用代理IP
            else:
                pass
    
        #请求
        try:
            dai_li_ip(hq_url) #执行代理IP函数
            yh_dl()     #执行用户代理池函数
    
            data = urllib.request.urlopen(hq_url).read().decode("utf-8")
            return data
        except urllib.error.URLError as e:  # 如果出现错误
            if hasattr(e, "code"):  # 如果有错误代码
                # print(e.code)  # 打印错误代码
                pass
            if hasattr(e, "reason"):  # 如果有错误信息
                # print(e.reason)  # 打印错误信息
                pass
    
    # a = hq_html('http://www.baid.com/')
    # print(a)
    

    实战爬取搜狗微信公众号

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    import urllib.request
    import fzhpach
    import re
    #抓取搜狗微信公众号
    #http://weixin.sogou.com/weixin?type=1&query=php&page=1
    #type=1表示显示公众号
    #type=2表示抓取文章
    #query=关键词
    #page=页码
    
    gjc = '火锅'
    gjc = urllib.request.quote(gjc)                 #将关键词转码成浏览器认识的字符,默认网站不能是中文
    url = 'http://weixin.sogou.com/weixin?type=1&query=%s&page=1' %(gjc)
    html = fzhpach.hq_html(url)                                     #使用我们封装的爬虫模块
    pat = '微信号:<label name="em_weixinhao">(\w*)</label>'
    rst = re.compile(pat).findall(html)  #正则获取公众号
    print(rst)
    
    #返回
    #['cqhuoguo1', 'qkmjscj888', 'cdsbcdhs', 'zk4538111', 'lamanannv', 'ctm2813333', 'cslhg2016', 'gh_978a858b478f', 'CCLWL0431', 'yuhehaixian']
    

    抓包教程

    首先安装Fiddler4

    image

    软件界面说明

    image

    清除请求

    image

    设置抓包浏览器

    image

    这样设置好后,这个浏览器访问的网址就会在抓包软件里看到信息了

    设置抓取https协议的网站

    image image

    导出证书到桌面

    image

    将证书安装到浏览器

    image

    可以看到软件已经获取到https网站了

    image

    疑难问题解决:

    有些可能已经按照流程在feiddler中设置好了https抓包,但死活抓不了

    (1)首先,看看火狐浏览器的配置,是不是下方“为所有协议使用相同代理”的地方没有勾选上,如果是,请勾选上。

    image

    有一部分做到这一步应该能解决无法抓https的问题。如果还不行,请继续往下看。

    一般这个时候,还不行,应该就是你的证书问题了,有些可能会问,我是按照正常流程导出并安装的证书,也会有问题?

    对的,就是这么奇怪。

    (2)接下来,请在下面这个地方输入certmgr.msc并回车,打开证书管理。

    image

    打开后如下所示:

    image

    请点击操作–查找证书,如下所示:

    image

    然后输入fiddler查找所有相关证书,如下所示:

    image

    可以看到,我们找到一个,您可能会找到多个,不要紧,有多少个删多少个,分别右键–删除这些证书,如下所示:

    image

    全删之后,这一步完成。

    (3)再接下来,打开火狐浏览器,进入选项-高级-证书-查看证书,然后找以DO_NOT开头的关于Fiddler的证书,以字母排序的,所以你可以很快找到。如下所示,我们找到两个,不用多说,右键,然后全部依次删除。你可能找到一个或多个,反正找到多少个删多少个就行,另外,特别注意,请如图中【个人、服务器、证书机构、其他】等标签依次查找,以免遗漏,切记切记!

    image

    这些全删之后,这一步完成,现在证书已经全部清理了,进入下一步。

    (4)下载 FiddlerCertMaker.exe,可以去官网找,如不想麻烦,直接下载我提供的,链接如下:

    链接: https://pan.baidu.com/s/1bQBhxG 密码: cu85

    下载了这个之后,直接打开,不管出现什么错误,直接忽略,直到出现如下界面为止:

    image

    然后点击确定,关掉它。

    (5)有了证书之后,请重启Fiddler(关掉再开),重启之后,访问https的网站,比如淘宝首页,有可能成功了,但你也有可能会发现如下错误:

    “你的连接并不安全” 等类似提示

    见到这里,你应该开心,离成功近了。

    (6)果断的,打开fiddler,“Tools–Fiddler Options–HTTPS”,然后把下图中同样的地方勾上(注意一致),然后点击actions,然后先点击Trust Root…,然后,再点击Export Root…,此时,导出成功的话,在桌面就有你的证书了。务必注意:这一步成功的话,把第(7)步跳过,不要做了,直接进入第(8)步,如失败,请继续第(7步)。

    image

    (7)务必注意:上一步成功的话,把这一步跳过,不要做了。如果,你在导出的时候出现:creation of the root certificate was not located等错误,不要慌。接下来在cmd命令行中进入Fiddler安装目录,比如我的是C盘,所以进入如下图所示Fiddler2目录,然后直接复制下方make那一行代码,然后直接cmd中运行,出现如下所示succeeded提示,出现这一步提示之后,再按步骤(6)的方法导出证书,就能成功了:

    image

    makecert.exe -r -ss my -n “CN=DO_NOT_TRUST_FiddlerRoot, O=DO_NOT_TRUST, OU=Created by http://www.fiddler2.com” -sky signature -eku 1.3.6.1.5.5.7.3.1 -h 1 -cy authority -a sha1 -m 120 -b 09/05/2012

    (8)好,证书导入到桌面后,请打开火狐浏览器,然后进入选项-高级-证书-查看证书-导入-选择刚导出的桌面的证书-确定。

    (9)随后,为了保险,Fiddler重启,火狐浏览器也重启一下,然后开始抓HTTPS的包,此时你会发现“你的连接并不安全” 等类似提示已经消失,并且已经能够抓包了。

    相关文章

      网友评论

        本文标题:9、web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号

        本文链接:https://www.haomeiwen.com/subject/hourvqtx.html