位置: 编程技术 - 正文
Python使用Srapy框架爬虫模拟登陆并抓取知乎内容(python框架scrapy)
编辑：rootadmin推荐整理分享Python使用Srapy框架爬虫模拟登陆并抓取知乎内容(python框架scrapy)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:python 框图,python框架怎么用,python边框,python框架scrapy,python框架怎么用,python spider框架,python spider框架,python框架scrapy,内容如对您有帮助，希望把文章链接给更多的朋友！
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
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 :
那么可以对我们的爬虫类中方法进行修改, 使其追踪cookie
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
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
五、Item类和抓取间隔完整的知乎爬虫代码链接
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
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)
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-8python中函数传参详解 一、参数传入规则可变参数允许传入0个或任意个参数，在函数调用时自动组装成一个tuple；关键字参数允许传入0个或任意个参数，在函数调用时自动组
使用Python从有道词典网页获取单词翻译 从有道词典网页获取某单词的中文解释。importreimporturllibword=raw_input('inputawordn')url='
win系统中安装scrapy-1.1 0.环境说明winbit，电脑也是bit的处理器，电脑装有vsbit，但是为了保险起见，只试验了位的安装，等有时间了，再试下位的安装。如无特殊说
标签: python框架scrapy
本文链接地址:https://www.jiuchutong.com/biancheng/387033.html 转载请保留说明！上一篇：Ruby元编程基础学习笔记整理(ruby元编程第二版)
