一、cookie原理
http是无状态的面向连接的协议, 为了保持连接状态, 引入了cookie机制
cookie是http消息头中的一种属性，包括：
cookie名字（name）cookie的值（value）
cookie的过期时间（expires/max-age）
cookie作用路径（path）
cookie所在域名（domain），使用cookie进行安全连接（secure）
前两个参数是cookie应用的必要条件，另外，还包括cookie大小（size，不同浏览器对cookie个数及大小限制是有差异的）。
二、模拟登陆
这次主要爬取的网站是知乎
爬取知乎就需要登陆的, 通过之前的python内建库, 可以很容易的实现表单提交。
现在就来看看如何通过scrapy实现表单提交。
首先查看登陆时的表单结果, 依然像前面使用的技巧一样, 故意输错密码, 方面抓到登陆的网页头部和表单(我使用的chrome自带的开发者工具中的network功能)
查看抓取到的表单可以发现有四个部分:
邮箱和密码就是个人登陆的邮箱和密码
rememberme字段表示是否记住账号
第一个字段是_xsrf,猜测是一种验证机制
现在只有_xsrf不知道, 猜想这个验证字段肯定会实现在请求网页的时候发送过来, 那么我们查看当前网页的源码(鼠标右键然后查看网页源代码, 或者直接用快捷键)
发现我们的猜测是正确的
那么现在就可以来写表单登陆功能了
def start_requests(self):
return [request(“https://www.zhihu.com/login”, callback = self.post_login)] #重写了爬虫类的方法, 实现了自定义请求, 运行成功后会调用callback回调函数
#formrequeset
def post_login(self, response):
print ‘preparing login’
#下面这句话用于抓取请求网页后返回网页中的_xsrf字段的文字, 用于成功提交表单
xsrf = selector(response).xpath(‘//input[@name=”_xsrf”]/@value’).extract()[0]
print xsrf
#formrequeset.from_response是scrapy提供的一个函数, 用于post表单
#登陆成功后, 会调用after_login回调函数
return [formrequest.from_response(response,
formdata = {
‘_xsrf’: xsrf,
’email’: ‘123456’,
‘password’: ‘123456’
},
callback = self.after_login
)]
其中主要的功能都在函数的注释中说明
三、cookie的保存
为了能使用同一个状态持续的爬取网站, 就需要保存cookie, 使用cookie保存状态, scrapy提供了cookie处理的中间件, 可以直接拿来使用
cookiesmiddleware：
这个cookie中间件保存追踪web服务器发出的cookie, 并将这个cookie在接来下的请求的时候进行发送
scrapy官方的文档中给出了下面的代码范例 :
for i, url in enumerate(urls):
yield scrapy.request(“http://www.example.com”, meta={‘cookiejar’: i},
callback=self.parse_page)
def parse_page(self, response):
# do some processing
return scrapy.request(“http://www.example.com/otherpage”,
meta={‘cookiejar’: response.meta[‘cookiejar’]},
callback=self.parse_other_page)
那么可以对我们的爬虫类中方法进行修改, 使其追踪cookie
#重写了爬虫类的方法, 实现了自定义请求, 运行成功后会调用callback回调函数
def start_requests(self):
return [request(“https://www.zhihu.com/login”, meta = {‘cookiejar’ : 1}, callback = self.post_login)] #添加了meta
#formrequeset出问题了
def post_login(self, response):
print ‘preparing login’
#下面这句话用于抓取请求网页后返回网页中的_xsrf字段的文字, 用于成功提交表单
xsrf = selector(response).xpath(‘//input[@name=”_xsrf”]/@value’).extract()[0]
print xsrf
#formrequeset.from_response是scrapy提供的一个函数, 用于post表单
#登陆成功后, 会调用after_login回调函数
return [formrequest.from_response(response, #”http://www.zhihu.com/login”,
meta = {‘cookiejar’ : response.meta[‘cookiejar’]}, #注意这里cookie的获取
headers = self.headers,
formdata = {
‘_xsrf’: xsrf,
’email’: ‘123456’,
‘password’: ‘123456’
},
callback = self.after_login,
dont_filter = true
)]
四、伪装头部
有时候登陆网站需要进行头部伪装, 比如增加防盗链的头部, 还有模拟服务器登陆
为了保险, 我们可以在头部中填充更多的字段, 如下
headers = {
“accept”: “*/*”,
“accept-encoding”: “gzip,deflate”,
“accept-language”: “en-us,en;q=0.8,zh-tw;q=0.6,zh;q=0.4”,
“connection”: “keep-alive”,
“content-type”:” application/x-www-form-urlencoded; charset=utf-8″,
“user-agent”: “mozilla/5.0 (macintosh; intel mac os x 10_10_1) applewebkit/537.36 (khtml, like gecko) chrome/38.0.2125.111 safari/537.36”,
“referer”: “http://www.zhihu.com/”
}
在scrapy中request和formrequest初始化的时候都有一个headers字段, 可以自定义头部, 这样我们可以添加headers字段
形成最终版的登陆函数
#!/usr/bin/env python
# -*- coding:utf-8 -*-
from scrapy.contrib.spiders import crawlspider, rule
from scrapy.selector import selector
from scrapy.contrib.linkextractors.sgml import sgmllinkextractor
from scrapy.http import request, formrequest
from zhihu.items import zhihuitem
class zhihusipder(crawlspider) :
name = “zhihu”
allowed_domains = [“www.zhihu.com”]
start_urls = [
“http://www.zhihu.com”
]
rules = (
rule(sgmllinkextractor(allow = (‘/question/\d+#.*?’, )), callback = ‘parse_page’, follow = true),
rule(sgmllinkextractor(allow = (‘/question/\d+’, )), callback = ‘parse_page’, follow = true),
)
headers = {
“accept”: “*/*”,
“accept-encoding”: “gzip,deflate”,
“accept-language”: “en-us,en;q=0.8,zh-tw;q=0.6,zh;q=0.4”,
“connection”: “keep-alive”,
“content-type”:” application/x-www-form-urlencoded; charset=utf-8″,
“user-agent”: “mozilla/5.0 (macintosh; intel mac os x 10_10_1) applewebkit/537.36 (khtml, like gecko) chrome/38.0.2125.111 safari/537.36”,
“referer”: “http://www.zhihu.com/”
}
#重写了爬虫类的方法, 实现了自定义请求, 运行成功后会调用callback回调函数
def start_requests(self):
return [request(“https://www.zhihu.com/login”, meta = {‘cookiejar’ : 1}, callback = self.post_login)]
#formrequeset出问题了
def post_login(self, response):
print ‘preparing login’
#下面这句话用于抓取请求网页后返回网页中的_xsrf字段的文字, 用于成功提交表单
xsrf = selector(response).xpath(‘//input[@name=”_xsrf”]/@value’).extract()[0]
print xsrf
#formrequeset.from_response是scrapy提供的一个函数, 用于post表单
#登陆成功后, 会调用after_login回调函数
return [formrequest.from_response(response, #”http://www.zhihu.com/login”,
meta = {‘cookiejar’ : response.meta[‘cookiejar’]},
headers = self.headers, #注意此处的headers
formdata = {
‘_xsrf’: xsrf,
’email’: ‘1095511864@qq.com’,
‘password’: ‘123456’
},
callback = self.after_login,
dont_filter = true
)]
def after_login(self, response) :
for url in self.start_urls :
yield self.make_requests_from_url(url)
def parse_page(self, response):
problem = selector(response)
item = zhihuitem()
item[‘url’] = response.url
item[‘name’] = problem.xpath(‘//span[@]/text()’).extract()
print item[‘name’]
item[‘title’] = problem.xpath(‘//h2[@]/text()’).extract()
item[‘description’] = problem.xpath(‘//p[@]/text()’).extract()
item[‘answer’]= problem.xpath(‘//p[@]/text()’).extract()
return item
五、item类和抓取间隔
完整的知乎爬虫代码链接
from scrapy.item import item, field
class zhihuitem(item):
# define the fields for your item here like:
# name = scrapy.field()
url = field() #保存抓取问题的url
title = field() #抓取问题的标题
description = field() #抓取问题的描述
answer = field() #抓取问题的答案
name = field() #个人用户的名称
设置抓取间隔, 访问由于爬虫的过快抓取, 引发网站的发爬虫机制, 在setting.py中设置
bot_name = ‘zhihu’
spider_modules = [‘zhihu.spiders’]
newspider_module = ‘zhihu.spiders’
download_delay = 0.25 #设置下载间隔为250ms
更多设置可以查看官方文档
抓取结果(只是截取了其中很少一部分)
…
‘url’: ‘http://www.zhihu.com/question/20688855/answer/16577390’}
2014-12-19 23:24:15+0800 [zhihu] debug: crawled (200) (referer: http://www.zhihu.com/question/20688855/answer/19231794)
[]
2014-12-19 23:24:15+0800 [zhihu] debug: scraped from
{‘answer’: [u’\u9009\u4f1a\u8ba1\u8fd9\u4e2a\u4e13\u4e1a\uff0c\u8003cpa\uff0c\u5165\u8d22\u52a1\u8fd9\u4e2a\u884c\u5f53\u3002\u8fd9\u4e00\u8def\u8d70\u4e0b\u6765\uff0c\u6211\u53ef\u4ee5\u5f88\u80af\u5b9a\u7684\u544a\u8bc9\u4f60\uff0c\u6211\u662f\u771f\u7684\u559c\u6b22\u8d22\u52a1\uff0c\u70ed\u7231\u8fd9\u4e2a\u884c\u4e1a\uff0c\u56e0\u6b64\u575a\u5b9a\u4e0d\u79fb\u5730\u5728\u8fd9\u4e2a\u884c\u4e1a\u4e2d\u8d70\u4e0b\u53bb\u3002′,
u’\u4e0d\u8fc7\u4f60\u8bf4\u6709\u4eba\u4ece\u5c0f\u5c31\u559c\u6b22\u8d22\u52a1\u5417\uff1f\u6211\u89c9\u5f97\u51e0\u4e4e\u6ca1\u6709\u5427\u3002\u8d22\u52a1\u7684\u9b45\u529b\u5728\u4e8e\u4f60\u771f\u6b63\u61c2\u5f97\u5b83\u4e4b\u540e\u3002′,
u’\u901a\u8fc7\u5b83\uff0c\u4f60\u53ef\u4ee5\u5b66\u4e60\u4efb\u4f55\u4e00\u79cd\u5546\u4e1a\u7684\u7ecf\u8425\u8fc7\u7a0b\uff0c\u4e86\u89e3\u5176\u7eb7\u7e41\u5916\u8868\u4e0b\u7684\u5b9e\u7269\u6d41\u3001\u73b0\u91d1\u6d41\uff0c\u751a\u81f3\u4f60\u53ef\u4ee5\u638c\u63e1\u5982\u4f55\u53bb\u7ecf\u8425\u8fd9\u79cd\u5546\u4e1a\u3002′,
u’\u5982\u679c\u5bf9\u4f1a\u8ba1\u7684\u8ba4\u8bc6\u4ec5\u4ec5\u505c\u7559\u5728\u505a\u5206\u5f55\u8fd9\u4e2a\u5c42\u9762\uff0c\u5f53\u7136\u4f1a\u89c9\u5f97\u67af\u71e5\u65e0\u5473\u3002\u5f53\u4f60\u5bf9\u5b83\u7684\u8ba4\u8bc6\u8fdb\u5165\u5230\u6df1\u5c42\u6b21\u7684\u65f6\u5019\uff0c\u4f60\u81ea\u7136\u5c31\u4f1a\u559c\u6b22\u4e0a\u5b83\u4e86\u3002\n\n\n’],
‘description’: [u’\u672c\u4eba\u5b66\u4f1a\u8ba1\u6559\u80b2\u4e13\u4e1a\uff0c\u6df1\u611f\u5176\u67af\u71e5\u4e4f\u5473\u3002\n\u5f53\u521d\u662f\u51b2\u7740\u5e08\u8303\u4e13\u4e1a\u62a5\u7684\uff0c\u56e0\u4e3a\u68a6\u60f3\u662f\u6210\u4e3a\u4e00\u540d\u8001\u5e08\uff0c\u4f46\u662f\u611f\u89c9\u73b0\u5728\u666e\u901a\u521d\u9ad8\u4e2d\u8001\u5e08\u5df2\u7ecf\u8d8b\u4e8e\u9971\u548c\uff0c\u800c\u987a\u6bcd\u4eb2\u5927\u4eba\u7684\u610f\u9009\u4e86\u8fd9\u4e2a\u4e13\u4e1a\u3002\u6211\u559c\u6b22\u4e0a\u6559\u80b2\u5b66\u7684\u8bfe\uff0c\u5e76\u597d\u7814\u7a76\u5404\u79cd\u6559\u80b2\u5fc3\u7406\u5b66\u3002\u4f46\u4f1a\u8ba1\u8bfe\u4f3c\u4e4e\u662f\u4e3b\u6d41\u3001\u54ce\u3002\n\n\u4e00\u76f4\u4e0d\u559c\u6b22\u94b1\u4e0d\u94b1\u7684\u4e13\u4e1a\uff0c\u6240\u4ee5\u5f88\u597d\u5947\u5927\u5bb6\u9009\u4f1a\u8ba1\u4e13\u4e1a\u5230\u5e95\u662f\u51fa\u4e8e\u4ec0\u4e48\u76ee\u7684\u3002\n\n\u6bd4\u5982\u8bf4\u5b66\u4e2d\u6587\u7684\u4f1a\u8bf4\u4ece\u5c0f\u559c\u6b22\u770b\u4e66\uff0c\u4f1a\u6709\u4ece\u5c0f\u559c\u6b22\u4f1a\u8ba1\u501f\u554a\u8d37\u554a\u7684\u7684\u4eba\u5417\uff1f’],
‘name’: [],
‘title’: [u’\n\n’, u’\n\n’],
‘url’: ‘http://www.zhihu.com/question/20688855/answer/15861368’}
…
六、存在问题
rule设计不能实现全网站抓取, 只是设置了简单的问题的抓取
xpath设置不严谨, 需要重新思考
unicode编码应该转换成utf-8