快捷導(dǎo)航

Python爬蟲設(shè)置Cookie解決網(wǎng)站攔截并爬取螞蟻短租的問題

更新時(shí)間：2021年02月22日 10:44:16 作者：程序猿小白^

這篇文章主要介紹了Python爬蟲設(shè)置Cookie解決網(wǎng)站攔截并爬取螞蟻短租,本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下

我們在編寫Python爬蟲時(shí)，有時(shí)會遇到網(wǎng)站拒絕訪問等反爬手段，比如這么我們想爬取螞蟻短租數(shù)據(jù)，它則會提示“當(dāng)前訪問疑似黑客攻擊，已被網(wǎng)站管理員設(shè)置為攔截”提示，如下圖所示。此時(shí)我們需要采用設(shè)置Cookie來進(jìn)行爬取，下面我們進(jìn)行詳細(xì)介紹。非常感謝我的學(xué)生承峰提供的思想，后浪推前浪啊！

一. 網(wǎng)站分析與爬蟲攔截

當(dāng)我們打開螞蟻短租搜索貴陽市，反饋如下圖所示結(jié)果。

我們可以看到短租房信息呈現(xiàn)一定規(guī)律分布，如下圖所示，這也是我們要爬取的信息。

通過瀏覽器審查元素，我們可以看到需要爬取每條租房信息都位于<dd></dd>節(jié)點(diǎn)下。

很多人學(xué)習(xí)python，不知道從何學(xué)起。
很多人學(xué)習(xí)python，掌握了基本語法過后，不知道在哪里尋找案例上手。
很多已經(jīng)做案例的人，卻不知道如何去學(xué)習(xí)更加高深的知識。
那么針對這三類人，我給大家提供一個好的學(xué)習(xí)平臺，免費(fèi)領(lǐng)取視頻教程，電子書籍，以及課程的源代碼！
QQ群：810735403

在定位房屋名稱，如下圖所示，位于<div class="room-detail clearfloat"></div>節(jié)點(diǎn)下。

接下來我們寫個簡單的BeautifulSoup進(jìn)行爬取。

# -*- coding: utf-8 -*-
import urllib
import re
from bs4 import BeautifulSoup
import codecs
 
url = 'http://www.mayi.com/guiyang/?map=no'
response=urllib.urlopen(url)
contents = response.read()
soup = BeautifulSoup(contents, "html.parser")
print soup.title
print soup
#短租房名稱
for tag in soup.find_all('dd'):
 for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):
 fname = name.find('p').get_text()
 print u'[短租房名稱]', fname.replace('\n','').strip()

但很遺憾，報(bào)錯了，說明螞蟻金服防范措施還是挺到位的。

二. 設(shè)置Cookie的BeautifulSoup爬蟲

添加消息頭的代碼如下所示，這里先給出代碼和結(jié)果，再教大家如何獲取Cookie。

# -*- coding: utf-8 -*-
import urllib2
import re
from bs4 import BeautifulSoup
 
#爬蟲函數(shù)
def gydzf(url):
 user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"
 headers={"User-Agent":user_agent}
 request=urllib2.Request(url,headers=headers)
 response=urllib2.urlopen(request)
 contents = response.read()
 soup = BeautifulSoup(contents, "html.parser")
 for tag in soup.find_all('dd'):
 #短租房名稱
 for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):
 fname = name.find('p').get_text()
 print u'[短租房名稱]', fname.replace('\n','').strip()
 #短租房價(jià)格
 for price in tag.find_all(attrs={"class":"moy-b"}):
 string = price.find('p').get_text()
 fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)
 fprice = fprice[0:5]
 print u'[短租房價(jià)格]', fprice.replace('\n','').strip()
 #評分及評論人數(shù)
 for score in name.find('ul'):
 fscore = name.find('ul').get_text()
 print u'[短租房評分/評論/居住人數(shù)]', fscore.replace('\n','').strip()
 #網(wǎng)頁鏈接url
 url_dzf = tag.find(attrs={"target":"_blank"})
 urls = url_dzf.attrs['href']
 print u'[網(wǎng)頁鏈接]', urls.replace('\n','').strip()
 urlss = 'http://www.mayi.com' + urls + ''
 print urlss
 
#主函數(shù)
if __name__ == '__main__':
 i = 1
 while i<10:
 print u'頁碼', i
 url = 'http://www.mayi.com/guiyang/' + str(i) + '/?map=no'
 gydzf(url)
 i = i+1
 else:
 print u"結(jié)束"

輸出結(jié)果如下圖所示：

頁碼 1
[短租房名稱] 大唐東原財(cái)富廣場--城市簡約復(fù)式民宿
[短租房價(jià)格] 298
[短租房評分/評論/居住人數(shù)] 5.0分·5條評論·二居·可住3人
[網(wǎng)頁鏈接] /room/851634765
http://www.mayi.com/room/851634765
[短租房名稱] 大唐東原財(cái)富廣場--清新檸檬復(fù)式民宿
[短租房價(jià)格] 568
[短租房評分/評論/居住人數(shù)] 2條評論·三居·可住6人
[網(wǎng)頁鏈接] /room/851634467
http://www.mayi.com/room/851634467

...

頁碼 9
[短租房名稱] 【高鐵北站公園旁】美式風(fēng)情+超大舒適安逸
[短租房價(jià)格] 366
[短租房評分/評論/居住人數(shù)] 3條評論·二居·可住5人
[網(wǎng)頁鏈接] /room/851018852
http://www.mayi.com/room/851018852
[短租房名稱] 大營坡（中大國際購物中心附近）北歐小清新三室
[短租房價(jià)格] 298
[短租房評分/評論/居住人數(shù)] 三居·可住6人
[網(wǎng)頁鏈接] /room/851647045
http://www.mayi.com/room/851647045

接下來我們想獲取詳細(xì)信息

這里作者主要是提供分析Cookie的方法，使用瀏覽器打開網(wǎng)頁，右鍵“檢查”，然后再刷新網(wǎng)頁。在“NetWork”中找到網(wǎng)頁并點(diǎn)擊，在彈出來的Headers中就隱藏這這些信息。

最常見的兩個參數(shù)是Cookie和User-Agent，如下圖所示：

然后在Python代碼中設(shè)置這些參數(shù)，再調(diào)用Urllib2.Request()提交請求即可，核心代碼如下：

user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) ... Chrome/61.0.3163.100 Safari/537.36"
 cookie="mediav=%7B%22eid%22%3A%22387123...b3574ef2-21b9-11e8-b39c-1bc4029c43b8"
 headers={"User-Agent":user_agent,"Cookie":cookie}
 request=urllib2.Request(url,headers=headers)
 response=urllib2.urlopen(request)
 contents = response.read()
 soup = BeautifulSoup(contents, "html.parser")
 for tag1 in soup.find_all(attrs={"class":"main"}):

注意，每小時(shí)Cookie會更新一次，我們需要手動修改Cookie值即可，就是上面代碼的cookie變量和user_agent變量。完整代碼如下所示：

import urllib2
import re
from bs4 import BeautifulSoup
import codecs
import csv
 
c = open("ycf.csv","wb") #write 寫
c.write(codecs.BOM_UTF8)
writer = csv.writer(c)
writer.writerow(["短租房名稱","地址","價(jià)格","評分","可住人數(shù)","人均價(jià)格"])
 
#爬取詳細(xì)信息
def getInfo(url,fname,fprice,fscore,users):
 #通過瀏覽器開發(fā)者模式查看訪問使用的user_agent及cookie設(shè)置訪問頭（headers）避免反爬蟲,且每隔一段時(shí)間運(yùn)行要根據(jù)開發(fā)者中的cookie更改代碼中的cookie
 user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"
 cookie="mediav=%7B%22eid%22%3A%22387123%22eb7; mayi_uuid=1582009990674274976491; sid=42200298656434922.85.130.130"
 headers={"User-Agent":user_agent,"Cookie":cookie}
 request=urllib2.Request(url,headers=headers)
 response=urllib2.urlopen(request)
 contents = response.read()
 soup = BeautifulSoup(contents, "html.parser")
 #短租房地址
 for tag1 in soup.find_all(attrs={"class":"main"}):
 print u'短租房地址:'
 for tag2 in tag1.find_all(attrs={"class":"desWord"}):
 address = tag2.find('p').get_text()
 print address
 #可住人數(shù)
 print u'可住人數(shù):'
 for tag4 in tag1.find_all(attrs={"class":"w258"}):
 yy = tag4.find('span').get_text()
 print yy
 fname = fname.encode("utf-8")
 address = address.encode("utf-8")
 fprice = fprice.encode("utf-8")
 fscore = fscore.encode("utf-8")
 fpeople = yy[2:3].encode("utf-8")
 ones = int(float(fprice))/int(float(fpeople))
 #存儲至本地
 writer.writerow([fname,address,fprice,fscore,fpeople,ones])
 
#爬蟲函數(shù)
def gydzf(url):
 user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"
 headers={"User-Agent":user_agent}
 request=urllib2.Request(url,headers=headers)
 response=urllib2.urlopen(request)
 contents = response.read()
 soup = BeautifulSoup(contents, "html.parser")
 for tag in soup.find_all('dd'):
 #短租房名稱
 for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):
 fname = name.find('p').get_text()
 print u'[短租房名稱]', fname.replace('\n','').strip()
 #短租房價(jià)格
 for price in tag.find_all(attrs={"class":"moy-b"}):
 string = price.find('p').get_text()
 fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)
 fprice = fprice[0:5]
 print u'[短租房價(jià)格]', fprice.replace('\n','').strip()
 #評分及評論人數(shù)
 for score in name.find('ul'):
 fscore = name.find('ul').get_text()
 print u'[短租房評分/評論/居住人數(shù)]', fscore.replace('\n','').strip()
 #網(wǎng)頁鏈接url
 url_dzf = tag.find(attrs={"target":"_blank"})
 urls = url_dzf.attrs['href']
 print u'[網(wǎng)頁鏈接]', urls.replace('\n','').strip()
 urlss = 'http://www.mayi.com' + urls + ''
 print urlss
 getInfo(urlss,fname,fprice,fscore,user_agent)
 
#主函數(shù)
if __name__ == '__main__':
 i = 0
 while i<33:
 print u'頁碼', (i+1)
 if(i==0):
 url = 'http://www.mayi.com/guiyang/?map=no'
 if(i>0):
 num = i+2 #除了第一頁是空的，第二頁開始按2順序遞增
 url = 'http://www.mayi.com/guiyang/' + str(num) + '/?map=no'
 gydzf(url)
 i=i+1
 
c.close()

輸出結(jié)果如下，存儲本地CSV文件：