使用代理处理反爬抓取陌陌文章

　　使用代理反爬抓取陌陌文章，获取文章标题、内容、公众号等信息，并储存到MongoDB数据库中。

　　如果要抓取微信公众号文章可以使用搜狗的搜索引擎，它会显示最新的文章，但是有两个问题须要你们注意：

　　关于代理池的实现以及使用可以参考这篇文章：使用Redis+Flask维护动态代理池

　　下图展示了具体的流程框架：

　　/img/remote/36680

　　def parse_index(html):

doc = pq(html)

items = doc('.news-box .news-list li .txt-box h3 a').items()

for item in items:

yield item.attr('href')def parse_index(html):

doc = pq(html)

items = doc('.news-box .news-list li .txt-box h3 a').items()

for item in items:

yield item.attr('href')

　　在流程框架部份我们谈到，在此即将使用搜狗搜索陌陌站点文章，首先使我们步入搜狗搜索界面，比如输入关键字景色，就会出现陌陌文章的列表。

　　/img/remote/36681?w=1042&h=552

　　从网页的url可以看出这是一个get恳求，只保留主要参数，可以把url简化为

　　/img/remote/36682

　　其中，“query”代表搜索的关键词，“type”代表搜索结果的类型，“type=1”表示搜索结果是微信公众号，“type=2”表示搜索结果是陌陌文章，“page”也就是当前页数。

　　分析完网页的url组成以后，我们先解决第一个问题：保存cookie，模拟登陆。

　　打开浏览器控制台，选择NetWork->Headers选项卡，可以看见恳求的headers信息。

　　/img/remote/36683

　　解决完以上问题以后，让我们尝试写一下代码获取第1-100页的网页源码：

　　from urllib.parse import urlencode

import requests

base_url = ''

# 构造请求头

headers = {

'Cookie': 'CXID=DF1F2AE56903B8B6289106D60E0C1339; SUID=F5959E3D8483920A000000005BCEB8CD; sw_uuid=3544458569; ssuid=8026096631; pex=C864C03270DED3DD8A06887A372DA219231FFAC25A9D64AE09E82AED12E416AC; SUV=00140F4F78C27EE25BF168CF5C981926; ad=p7R@vkllll2bio@ZlllllVsE@EclllllNBENLlllll9lllllpA7ll5@@@@@@@@@@; IPLOC=CN4110; ABTEST=2|1543456547|v1; weixinIndexVisited=1; sct=1; JSESSIONID=aaaXtNmDWRk5X5sEsy6Cw; PHPSESSID=lfgarg05due13kkgknnlbh3bq7; SUIR=EF72CF750D0876CFF631992E0D94BE34;',

'Host': '',

'Upgrade-Insecure-Requests': '1',

'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

def get_html(url, count=1):

response = requests.get(url, allow_redirects=False, headers=headers)

# 判断网页返回的状态码是否正常

# 如果状态码是200说明可以正常访问

if response.status_code == 200:

return response.text

# 如果状态码是302，则说明IP已经被封

if response.status_code == 302:

return None

def get_index(keyword, page):

data = {

'query': keyword,

'type': 2,

'page': page

}

queries = urlencode(data)

url = base_url + queries

html = get_html(url)

return html

def main():

for page in range(1, 101):

html = get_index('风景', page)

print(html)

if __name__ == '__main__':

main()

　　运行以上代码，会发觉刚开始运行正常，正确返回网页源码，之后便始终返回None，此时使我们打开浏览器观察一下：

　　/img/remote/36684

　　可以看出，代码运行后不停返回None的缘由是网页被重定向，需要输入验证码能够正常访问，这便是我们开篇说过的第二个问题，我们的访问被搜狗搜索的反爬虫举措拦截，如果想要继续正常访问，便须要借助代理池获取随机代理来绕开反爬机制。

　　在使用Redis+Flask维护动态代理池一文中，我们讲解了代理池的基本原理和简单实现，代码已托管到github上，现在使我们借助代理池来获取随机代理。

　　首先使我们定义get_proxy()方法，返回代理池获取的随机可用ip：

　　# flask*敏*感*词*的是5000端口

PROXY_POOL_URL = ':5000/get'

def get_proxy():

try:

response = requests.get(PROXY_POOL_URL)

if response.status_code == 200:

return response.text

return None

except ConnectionError:

return None

　　接下来更改get_html(url, count=1)方法，以随机ip的形式访问网页：

　　MAX_COUNT = 5

proxy = None

def get_html(url, count=1):

# 打印抓取的url

print('Crawling', url)

# 打印尝试抓取的次数

print('Trying Count', count)

global proxy

# 如果抓取的次数大于最大次数，则返回None

if count >= MAX_COUNT:

print('Tried Too Many Counts')

return None

try:

if proxy:

proxies = {

'http': 'http://' + proxy

}

# allow_redirects=False:禁止浏览器自动处理302跳转

response = requests.get(url, allow_redirects=False, headers=headers, proxies=proxies)

else:

response = requests.get(url, allow_redirects=False, headers=headers)

if response.status_code == 200:

return response.text

# 状态码是302，说明IP已经被封，调用get_proxy()获取新的ip

if response.status_code == 302:

# Need Proxy

print('302')

proxy = get_proxy()

if proxy:

print('Using Proxy', proxy)

return get_html(url)

else:

print('Get Proxy Failed')

return None

except ConnectionError as e:

# 如果连接超时，重新调用get_html(url, count)方法

print('Error Occurred', e.args)

proxy = get_proxy()

count += 1

return get_html(url, count)

　　再次运行代码，会发觉不停重复复印None的情况基本消失。大家注意，这里是基本消失，原因是我们的代理池使用的是免费代理网站获取的代理搜狗微信 反爬虫，同一时刻可能会有许多人访问，这样就很容易导致ip地址被封的情况。如果你想要获取更好的疗效，不妨使用一下收费代理。

　　至此，我们解决了开篇提及的两个问题，接下来，就可以抓取网页，分析内容。

　　首先我们须要获取到第1-100页中每一篇文章的url：

　　/img/remote/36685

　　def parse_index(html):

doc = pq(html)

items = doc('.news-box .news-list li .txt-box h3 a').items()

for item in items:

yield item.attr('href')

def main():

for page in range(1, 101):

html = get_index(KEYWORD, page)

if html:

article_urls = parse_index(html)

print(article_urls)

　　获取到每一篇文章的url以后，就须要解析每一篇文章的内容。解析方式与前面相同，在此不再赘言。具体代码如下：

　　def parse_detail(html):

try:

doc = pq(html)

title = doc('.rich_media_title').text()

content = doc('.rich_media_content ').text()

date = doc('#publish_time').text()

nickname = doc('.rich_media_meta_list .rich_media_meta_nickname').text()

wechat = doc('#activity-name').text()

return {

'title': title,

'content': content,

'date': date,

'nickname': nickname,

'wechat': wechat

}

except XMLSyntaxError:

return None

　　需要注意的一点就是须要捕获XMLSyntaxError异常。

　　最后使我们新建一个config.py文件，文件中包含了MongoDB的URL搜狗微信 反爬虫，数据库名称，表名称等常量：

　　MONGO_URL = 'localhost'

MONGO_DB = 'weixin'

　　在spider.py中配置储存到MongoDB相关方式：

　　from config import *

import pymongo

client = pymongo.MongoClient(MONGO_URL)

db = client[MONGO_DB]

def save_to_mongo(data):

if db['articles'].update({'title': data['title']}, {'$set': data}, True):

print('Saved to Mongo', data['title'])

else:

print('Saved to Mongo Failed', data['title'])

　　运行代码，接下来在MongoDB中进行查看：

　　/img/remote/36686

　　项目完整代码已托管到github: