爬虫入门到精通-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)

  1. 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")

2.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


点击Headers

可以看到请求的url是: zhihu.com/people/excite

方法是: GET

requests headers 是(下图中框出来的地方)

所以我们的代码应该是:

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?

让我们留到下一篇文章~

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)



欢迎关注本人的微信公众号获取更多Python爬虫相关的内容

(可以直接搜索「写bug的高师傅」)

编辑于 01-14

文章被以下专栏收录