爬虫的基本套路,你知多少?

百家 作者:程序员之家 2017-10-11 13:07:01

什么作用?

通过有效的爬虫手段批量采集数据,可以降低人工成本,提高有效数据量,给予运营/销售的数据支撑,加快产品发展。


业界的情况

目前互联网产品竞争激烈,业界大部分都会使用爬虫技术对竞品产品的数据进行挖掘、采集、大数据分析,这是必备手段,并且很多公司都设立了爬虫工程师的岗位


合法性

爬虫是利用程序进行批量爬取网页上的公开信息,也就是前端显示的数据信息。因为信息是完全公开的,所以是合法的。其实就像浏览器一样,浏览器解析响应内容并渲染为页面,而爬虫解析响应内容采集想要的数据进行存储。


反爬虫

爬虫很难完全的制止,道高一尺魔高一丈,这是一场没有硝烟的战争,码农VS码农
反爬虫一些手段:

  • 合法检测:请求校验(useragent,referer,接口加签名,等)

  • 小黑屋:IP/用户限制请求频率,或者直接拦截

  • 投毒:反爬虫高境界可以不用拦截,拦截是一时的,投毒返回虚假数据,可以误导竞品决策

  • ... ...



爬虫基本套路

  • 基本流程

  • 目标数据

  • 来源地址

  • 结构分析

  • 实现构思

  • 操刀编码

  • 基本手段

    • 简单的验证码可以使用识图读验证码第三方库

    • 请求带上用户cookie信息

    • 请求头设置,如:useragant为有效客户端

    • 控制请求频率(根据实际情景)

    • IP代理

    • 签名/加密参数从html/cookie/js分析

    • 破解请求限制

    • 破解登录授权

    • 破解验证码

  • 解析数据

    • 正则匹配(根据情景使用)

    • 转 JSON/XML 对象进行解析

    • 正则匹配,通过的正则表达式来匹配想要爬取的数据,如:有些数据不是在html 标签里,而是在html的script 标签的js变量中

    • 使用第三方库解析html dom,比较喜欢类jquery的库

    • HTML Dom解析

    • 数据字符串



    python爬虫

    • python写爬虫的优势

    • python语法易学,容易上手

    • 社区活跃,实现方案多可参考

    • 各种功能包丰富

    • 少量代码即可完成强大功能

  • 涉及模块包

    • selenium

    • pyquery

    • beautiful soup

    • json

    • re

    • threading

    • urllib

    • urllib2

    • cookielib

    • 请求

    • 多线程

    • 正则

    • json解析

    • html dom解析

    • 操作浏览器


    实例解析

    斗鱼主播排行

    • 目标数据

    • 获取排行榜主播信息

  • 来源地址

    • https://www.douyu.com/xxx

    • xxx=房间号

    • https://www.douyu.com/directory/rank_list/game

    • [排行榜地址]

    • [主播房间地址]

  • 结构分析

    • 获得排行数据接口:https://www.douyu.com/directory/rank_list/game

    • 获得主播房间信息数据

    • 参数确认(去掉不必要参数)

    • cookie确认(去掉不必要cookie)

    • 模拟请求(charles/fiddler/postman)

    • 发现$ROOM是主播房间信息,在页面的script标签的js变量中,可使用正则工具写表达式去匹配

    • 通过抓包 [排行榜地址][主播房间地址]   (谷歌调试network/charles/fiddler)

  • 实现构思

    • 通过请求 [主播排行接口] 获取 [排行榜数据]

    • [排行榜数据] 中有主播房间号,可以通过拼接获得 [主播房间地址]


    • 请求 [主播房间地址] 可以获得 [$ROOM信息] ,解析可以获得主播房间信息

  • 操刀编码

  • 申明:此例子仅作为爬虫学习DEMO,并无其他利用


    基于python实现爬虫学习基础demo

    def douyu_rank(rankName, statType):
        '''
            斗鱼主播排行数据抓取
            [数据地址](https://www.douyu.com/directory/rank_list/game)
    
            * `rankName` anchor(巨星主播榜),fans(主播粉丝榜),haoyou(土豪实力榜),user(主播壕友榜)
            * `statType` day(日),week(周),month(月)
        '''
        if not isinstance(rankName, ERankName):
            raise Exception("rankName 类型错误,必须是ERankName枚举")
        if not isinstance(statType, EStatType):
            raise Exception("statType 类型错误,必须是EStatType枚举")
    
        rankName = '%sListData' % rankName.name
        statType = '%sListData' % statType.name
        
        rs = rq.get(
            "https://www.douyu.com/directory/rank_list/game",
            headers={'User-Agent': 'Mozilla/5.0'})
        
        mt = re.search(r'rankListDatas+?=(.*?);', rs, re.S)
        if (not mt):
            print u"无法解析rankListData数据"
            return
        grps = mt.groups()
        
        rankListDataStr = grps[0]
        rankListData = json.loads(rankListDataStr)
        dayList = rankListData[rankName][statType]
        
        dayList.sort(key=lambda k: (k.get('id', 0)), reverse=False)
        return dayListdef douyu_room(romm_id):
        '''
            主播房间信息解析
            [数据地址](https://www.douyu.com/xxx)
            'romm_id' 主播房号
        '''
        rs = rq.get(
            ("https://www.douyu.com/%s" % romm_id),
            headers={'User-Agent': 'Mozilla/5.0'})
        mt = re.search(r'$ROOMs+?=s+?({.*?});', rs, re.S)
        if (not mt):
            print u"无法解析ROOM数据"
            return
        grps = mt.groups()
        roomDataStr = grps[0]
        roomData = json.loads(roomDataStr)
        return roomData
        def run():
        '''
            测试爬虫
        '''
        datas = douyu_rank(ERankName.anchor, EStatType.month)
        print 'rn主播排行榜:'
        for item in datas:
            room_id = item['room_id']
            roomData = douyu_room(room_id)
            rommName = None
            if roomData is not None:
                rommName = roomData['room_name']
            roomInfo = (u'房间(%s):%s' % (item['room_id'], rommName))
            print item['id'], item[
                'nickname'], roomInfo, '[' + item['catagory'] + ']'run()
    

    运行结果:
    
    主播排行榜:
    
    无法解析ROOM数据
    1 冯提莫 房间(71017):None [英雄联盟]2 阿冷aleng丶 房间(2371789):又是我最喜欢的阿冷ktv时间~ [英雄联盟]3 胜哥002 房间(414818):胜哥:南通的雨下的我好心累。 [DNF]4 White55开解说 房间(138286):卢本伟五五开 每天都要很强 [英雄联盟]5 东北大鹌鹑 房间(96291):东北大鹌鹑 宇宙第一寒冰 相声艺术家! [英雄联盟]6 老实敦厚的笑笑 房间(154537):德云色 给兄弟们赔个不是 [英雄联盟]7 刘飞儿faye 房间(265438):刘飞儿  月底吃鸡 大吉大利 [绝地求生]8 pigff 房间(24422):【PIGFF】借基地直播,没OW [守望先锋]9 云彩上的翅膀 房间(28101):翅:还是抽天空套刺激! [DNF]10 yyfyyf 房间(58428):无尽的9月,杀 [DOTA2]# 冯提莫 房间做周年主题,解析会有问题
    



    编辑 | 码哥

    图片源于网络,版权归原作者所有

    关注公众号:拾黑(shiheibook)了解更多

    [广告]赞助链接:

    四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
    让资讯触达的更精准有趣:https://www.0xu.cn/

    公众号 关注网络尖刀微信公众号
    随时掌握互联网精彩
    赞助链接