爬虫

网页的下载

本文章属于爬虫入门到精通系统教程第四讲

在爬虫入门到精通第二讲中，我们了解了HTTP协议，那么我们现在使用这些协议来快速爬虫吧

本文的目标

当你看完本文后，你应该能爬取（几乎）任何的网页

使用chrome抓包

抓包（packet capture）就是将网络传输发送与接收的数据包进行截获、重发、编辑、转存等操作，也用来检查网络安全。抓包也经常被用来进行数据截取等。

第一个案列：抓取轮子哥的动态

  1. 打开轮子哥动态这个网页

  2. 打开抓包工具

    • 点击F12打开开发者工具
    • 点击Network(或者网络)
    • 按F5刷新下页面（主要是让请求重发一次，这样就能抓到包了）
    • 应该会看到如下界面

  3. 找到我们需要的请求

    • 可以看到如下截图，里面有这么多的请求，那么到底哪一个才是我们需要的呢 ？

    • 这边提供一个小技巧

      • 当你要抓的包是需要按F5刷新才出来的，一般我们需要的请求都在DOC里面(整个页面有刷新)
      • 当你要抓的包是点击按钮”加载更多”(或者拖到页面最下面会自动加载的,整个页面并没有刷新）一般我们需要的请求都在XHR里面

    • 简单来讲就是如果整个页面没有刷新的话，那就是在XHR里面，否则在DOC里面

    • 因为本次抓包整个页面有刷新，所以，我们需要找的请求在DOC下面，可以看到只有一个请求

  4. 验证请求是对的

    • 有以下两种方法（基本上用1，因为比较快）

      • 在我们要抓包的页面随便copy出几个字，在Respoinse中使用ctrl+f 查找，如果有找到，说明我们找到的是对的 （我查找的是”和微软粉丝谈”）
        • 把response中所有的内容复制到一个txt中，并改名为”#.html”(这里的#可以随便取)然后打开这个html，看看是否和我们要抓的一样

    • 如果发现要找的不对，那你可以打开下一个请求检查下

  5. 模拟发送

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import requests

# 这里的headers就是我们上图框中的headers
request_headers = {        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',   
    'Accept-Encoding':'gzip, deflate, sdch, br',
    'Accept-Language':'zh-CN,zh;q=0.8',
    'Cache-Control':'max-age=0',
    'Connection':'keep-alive',
    'Cookie':'',
    'Host':'www.zhihu.com',
    'Referer':'https://www.zhihu.com/',
    'Upgrade-Insecure-Requests':'1',
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
#上图中的url
url = "https://www.zhihu.com/people/excited-vczh/activities"
# 上图中的请求方法（get）
z = requests.get(url,headers=request_headers)
print z.content

这段代码简单来说就是把 我们抓包看到的用程序来实现

一个小总结

我们爬取一个网页的步骤可以分为如下：

  1. 打开要爬取的网页
  2. 打开开发者工具，并让请求重发一次（简单讲就是抓包）
  3. 找到正确的请求
  4. 用程序模拟发送

第二个案列：点赞

1.打开要爬取的网页

我们打开 “知乎 - 与世界分享你的知识、经验和见解“

我们要点赞的回答是这个

2.打开开发者工具，并让请求重发一次

打开后”点击赞一下”,可以看到有好多请求

3.找到正确的请求

我们一个一个的点开请求看，发现就一个有返回值，而且这个返回值没有意义，那么怎么确定这个就是我们要找的呢？

我们可以点击Headers，看一下发送的参数

vote_up 很明显，就是点赞的意思。所以这个应该就是我们要找的。

这边说一下，右边”Headers,Preview,Response,Cookies,Timing”是什么意思

我们经常要看的有，headers 和 preview

headers 里面我们都有介绍过（请求头，返回头）

preview和response里面的内容是相同的（preview里面的内容格式化了，输出的好看一些），里面的内容是html返回值

cookies 里面是cookie的值，只不过分成了key value的形式

Timing基本用不上,所以也不介绍了（想了解的话可以自己百度…）

4.用程序模拟发送

我们把headers全部copy，

url也和上面一样

参数也是对的

请求方法是post

但是发现最终返回http code 400,这是为什么呢？

让我们留到后面讲解~

最后再次总结一下

看完本篇文章后，你应该要

  • 能学会抓包

最后大家可以抓一下知乎登录的包哦~

小提示：当你要抓的网页是会自动跳转的话，那么你需要选中“proserve log”

意思是不要在页面重新加载后清除log（抓知乎登录的包会用到）

推荐文章