我们在编写Python爬虫时,有时会遇到网站拒绝访问等反爬手段,比如这么我们想爬取蚂蚁短租数据,它则会提示“当前访问疑似黑客攻击,已被网站管理员设置为拦截”提示,如下图所示。此时我们需要采用设置COOKIE来进行爬取,下面我们进行详细介绍。非常感谢我的学生承峰提供的思想,后浪推前浪啊!
当我们打开蚂蚁短租搜索贵阳市,反馈如下图所示结果。
网址为:http://www.mayi.com/guiyang/1/?map=n
我们可以看到短租房信息呈现一定规律分布,如下图所示,这也是我们要爬取的信息。
通过浏览器审查元素,我们可以看到需要爬取每条租房信息都位于节点下。
# -*- 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 #短租房名称 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'[短租房名称]', fname.replace('\n','').strip()
但很遗憾,报错了,说明蚂蚁金服防范措施还是挺到位的。
添加消息头的代码如下所示,这里先给出代码和结果,再教大家如何获取COOKIE。
# -*- coding: utf-8 -*- import urllib2 import re from bs4 import BeautifulSoup #爬虫函数 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'): #短租房名称 for name in tag.find_all(attrs={"class":"room-detail clearfloat"}): fname = name.find('p').get_text() print u'[短租房名称]', fname.replace('\n','').strip() #短租房价格 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'[短租房价格]', fprice.replace('\n','').strip() #评分及评论人数 for score in name.find('ul'): fscore = name.find('ul').get_text() print u'[短租房评分/评论/居住人数]', fscore.replace('\n','').strip() #网页链接url url_dzf = tag.find(attrs={"target":"_blank"}) urls = url_dzf.attrs['href'] print u'[网页链接]', urls.replace('\n','').strip() urlss = 'http://www.mayi.com' + urls + '' print urlss #主函数 if __name__ == '__main__': i = 1 while i<10: print u'页码', i url = 'http://www.mayi.com/guiyang/' + str(i) + '/?map=no' gydzf(url) i = i+1 else: print u"结束"
输出结果如下图所示:
页码 1 [短租房名称] 大唐东原财富广场--城市简约复式民宿 [短租房价格] 298 [短租房评分/评论/居住人数] 5.0分·5条评论·二居·可住3人 [网页链接] /room/851634765 http://www.mayi.com/room/851634765 [短租房名称] 大唐东原财富广场--清新柠檬复式民宿 [短租房价格] 568 [短租房评分/评论/居住人数] 2条评论·三居·可住6人 [网页链接] /room/851634467 http://www.mayi.com/room/851634467 ... 页码 9 [短租房名称] 【高铁北站公园旁】美式风情+超大舒适安逸 [短租房价格] 366 [短租房评分/评论/居住人数] 3条评论·二居·可住5人 [网页链接] /room/851018852 http://www.mayi.com/room/851018852 [短租房名称] 大营坡(中大国际购物中心附近)北欧小清新三室 [短租房价格] 298 [短租房评分/评论/居住人数] 三居·可住6人 [网页链接] /room/851647045 http://www.mayi.com/room/851647045
接下来我们想获取详细信息,比如:http://www.mayi.com/room/851634467
我们需要获取租房地址及详细信息等。
这里作者主要是提供分析COOKIE的方法,使用浏览器打开网页,右键“检查”,然后再刷新网页。在“NetWork”中找到网页并点击,在弹出来的Headers中就隐藏这这些信息。
最常见的两个参数是COOKIE和User-Agent,如下图所示:
for tag1 in soup.find_all(attrs={"class":"main"}):
....
# -*- coding: utf-8 -*- import urllib2 import re from bs4 import BeautifulSoup import codecs import csv c = open("ycf.csv","wb") #write 写 c.write(codecs.BOM_UTF8) writer = csv.writer(c) writer.writerow(["短租房名称","地址","价格","评分","可住人数","人均价格"]) #爬取详细信息 def getInfo(url,fname,fprice,fscore,users): #通过浏览器开发者模式查看访问使用的user_agent及COOKIE设置访问头(headers)避免反爬虫,且每隔一段时间运行要根据开发者中的COOKIE更改代码中的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 #可住人数 print u'可住人数:' 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)) #存储至本地 writer.writerow([fname,address,fprice,fscore,fpeople,ones]) #爬虫函数 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'): #短租房名称 for name in tag.find_all(attrs={"class":"room-detail clearfloat"}): fname = name.find('p').get_text() print u'[短租房名称]', fname.replace('\n','').strip() #短租房价格 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'[短租房价格]', fprice.replace('\n','').strip() #评分及评论人数 for score in name.find('ul'): fscore = name.find('ul').get_text() print u'[短租房评分/评论/居住人数]', fscore.replace('\n','').strip() #网页链接url url_dzf = tag.find(attrs={"target":"_blank"}) urls = url_dzf.attrs['href'] print u'[网页链接]', urls.replace('\n','').strip() urlss = 'http://www.mayi.com' + urls + '' print urlss getInfo(urlss,fname,fprice,fscore,user_agent) #主函数 if __name__ == '__main__': i = 0 while i<33: print u'页码', (i+1) if(i==0): url = 'http://www.mayi.com/guiyang/?map=no' if(i>0): num = i+2 #除了第一页是空的,第二页开始按2顺序递增 url = 'http://www.mayi.com/guiyang/' + str(num) + '/?map=no' gydzf(url) i=i+1 c.close()输出结果如下,存储本地CSV文件:
同时,大家可以尝试Selenium爬取蚂蚁短租,应该也是可行的方法。最后希望文章对您有所帮助,如果存在不足之处,请海涵~
(By:Eastmount 2017-03-07 晚上7点 http://blog.csdn.net/eastmount/ )