聲明：本文講解的實戰(zhàn)內(nèi)容谍椅，均僅用于學(xué)習(xí)交流误堡，請勿用于任何商業(yè)用途！
一雏吭、前言
強烈建議：請在電腦的陪同下锁施，閱讀本文。本文以實戰(zhàn)為主杖们，閱讀過程如稍有不適悉抵，還望多加練習(xí)。
本文的實戰(zhàn)內(nèi)容有：
網(wǎng)絡(luò)小說下載（靜態(tài)網(wǎng)站）
優(yōu)美壁紙下載（動態(tài)網(wǎng)站）
愛奇藝VIP視頻下載
二摘完、網(wǎng)絡(luò)爬蟲簡介
網(wǎng)絡(luò)爬蟲姥饰，也叫網(wǎng)絡(luò)蜘蛛（Web Spider）。它根據(jù)網(wǎng)頁地址（URL）爬取網(wǎng)頁內(nèi)容描焰，而網(wǎng)頁地址（URL）就是我們在瀏覽器中輸入的網(wǎng)站鏈接媳否。比如：https://www.baidu.com/，它就是一個URL荆秦。
在講解爬蟲內(nèi)容之前，我們需要先學(xué)習(xí)一項寫爬蟲的必備技能：審查元素（如果已掌握力图，可跳過此部分內(nèi)容）步绸。
1. 審查元素
在瀏覽器的地址欄輸入URL地址，在網(wǎng)頁處右鍵單擊吃媒，找到檢查瓤介，如下圖所示：（不同瀏覽器的叫法不同吕喘，Chrome瀏覽器叫做檢查，F(xiàn)irefox瀏覽器叫做查看元素刑桑，但是功能都是相同的）
我們可以看到氯质，右側(cè)出現(xiàn)了一大推代碼，這些代碼就叫做HTML祠斧。什么是HTML闻察？舉個容易理解的例子：我們的基因決定了我們的原始容貌，服務(wù)器返回的HTML決定了網(wǎng)站的原始容貌琢锋。
為啥說是原始容貌呢辕漂？因為人可以整容啊吴超！扎心了钉嘹，有木有？那網(wǎng)站也可以"整容"嗎鲸阻？可以跋涣！請看下圖：
我能有這么多錢嗎？顯然不可能鸟悴。我是怎么給網(wǎng)站"整容"的呢陈辱？就是通過修改服務(wù)器返回的HTML信息。我們每個人都是"整容大師"遣臼，可以修改頁面信息性置。我們在頁面的哪個位置點擊審查元素，瀏覽器就會為我們定位到相應(yīng)的HTML位置揍堰，進而就可以在本地更改HTML信息鹏浅。
再舉個小例子：我們都知道，使用瀏覽器"記住密碼"的功能屏歹，密碼會變成一堆小黑點隐砸，是不可見的◎簦可以讓密碼顯示出來嗎季希？可以，只需給頁面"動個小手術(shù)"幽纷！以淘寶為例式塌，在輸入密碼框處右鍵，點擊檢查友浸。
可以看到峰尝，瀏覽器為我們自動定位到了相應(yīng)的HTML位置。將下圖中的password屬性值改為text屬性值（直接在右側(cè)代碼處修改）：
就這樣收恢，瀏覽器"記住的密碼"顯現(xiàn)出來了：
說這么多武学，什么意思呢祭往？瀏覽器就是作為客戶端從服務(wù)器端獲取信息，然后將信息解析火窒，并展示給我們的硼补。我們可以在本地修改HTML信息，為網(wǎng)頁"整容"熏矿，但是我們修改的信息不會回傳到服務(wù)器已骇，服務(wù)器存儲的HTML信息不會改變。刷新一下界面曲掰，頁面還會回到原本的樣子疾捍。這就跟人整容一樣，我們能改變一些表面的東西栏妖，但是不能改變我們的基因乱豆。
2. 簡單實例
網(wǎng)絡(luò)爬蟲的第一步就是根據(jù)URL，獲取網(wǎng)頁的HTML信息吊趾。在Python3中宛裕，可以使用urllib.request和requests進行網(wǎng)頁爬取。
urllib庫是python內(nèi)置的论泛，無需我們額外安裝揩尸，只要安裝了Python就可以使用這個庫。
requests庫是第三方庫屁奏，需要我們自己安裝岩榆。
requests庫強大好用，所以本文使用requests庫獲取網(wǎng)頁的HTML信息坟瓢。requests庫的github地址：https://github.com/requests/requests
（1）requests安裝
在學(xué)習(xí)使用requests庫之前勇边，我們需要在電腦中安裝好requests庫。在cmd中折联，使用如下指令安裝requests庫：
pip install requests
easy_install requests
使用pip和easy_install都可以安裝粒褒，二選一即可。
（2）簡單實例
安裝好requests庫之后诚镰，我們先來大體瀏覽一下requests庫的基礎(chǔ)方法：
官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
requests庫的開發(fā)者為我們提供了詳細的中文教程奕坟，查詢起來很方便。本文不會對其所有內(nèi)容進行講解清笨，摘取其部分使用到的內(nèi)容月杉，進行實戰(zhàn)說明。
首先抠艾，讓我們看下requests.get()方法沙合，它用于向服務(wù)器發(fā)起GET請求，不了解GET請求沒有關(guān)系跌帐。我們可以這樣理解：get的中文意思是得到首懈、抓住，那這個requests.get()方法就是從服務(wù)器得到谨敛、抓住數(shù)據(jù)究履，也就是獲取數(shù)據(jù)。讓我們看一個例子(以 www.gitbook.cn? 為例)來加深理解：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'http://gitbook.cn/'
req = requests.get(url=target)
print(req.text)
requests.get()方法必須設(shè)置的一個參數(shù)就是url脸狸，因為我們得告訴GET請求最仑，我們的目標是誰，我們要獲取誰的信息炊甲。我們將GET請求獲得的響應(yīng)內(nèi)容存放到req變量中泥彤，然后使用req.text就可以獲得HTML信息了。運行結(jié)果如下：
左側(cè)是我們程序獲得的結(jié)果卿啡，右側(cè)是我們在www.gitbook.cn? 網(wǎng)站審查元素獲得的信息吟吝。我們可以看到，我們已經(jīng)順利獲得了該網(wǎng)頁的HTML信息颈娜。這就是一個最簡單的爬蟲實例剑逃，可能你會問，我只是爬取了這個網(wǎng)頁的HTML信息官辽，有什么用呢蛹磺？客官稍安勿躁，接下來進入我們的實戰(zhàn)正文同仆。
三萤捆、爬蟲實戰(zhàn)
實戰(zhàn)內(nèi)容由簡單到復(fù)雜，難度逐漸增加俗批，但均屬于入門級難度俗或。下面開始我們的第一個實戰(zhàn)內(nèi)容：網(wǎng)絡(luò)小說下載。
1. 小說下載
（1）實戰(zhàn)背景
小說網(wǎng)站《筆趣看》URL：http://www.biqukan.com/
《筆趣看》是一個盜版小說網(wǎng)站扶镀，這里有很多起點中文網(wǎng)的小說蕴侣，該網(wǎng)站小說的更新速度稍滯后于起點中文網(wǎng)正版小說的更新速度。并且該網(wǎng)站只支持在線瀏覽臭觉，不支持小說打包下載昆雀。因此，本次實戰(zhàn)就是從該網(wǎng)站爬取并保存一本名為《一念永恒》的小說蝠筑，該小說是耳根正在連載中的一部玄幻小說狞膘。PS：本實例僅為交流學(xué)習(xí)，支持耳根大大什乙，請上起點中文網(wǎng)訂閱挽封。
（2）小試牛刀
我們先看下《一念永恒》小說的第一章內(nèi)容，URL：http://www.biqukan.com/1_1094/5403177.html
用已經(jīng)學(xué)到的知識獲取HTML信息試一試臣镣，編寫代碼如下：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'http://www.biqukan.com/1_1094/5403177.html'
req = requests.get(url=target)
print(req.text)
運行代碼辅愿，可以看到如下結(jié)果：
可以看到智亮，我們很輕松地獲取了HTML信息。但是点待，很顯然阔蛉，很多信息是我們不想看到的，我們只想獲得如右側(cè)所示的正文內(nèi)容癞埠，我們不關(guān)心那些看著眼暈的英文字母状原。如何把正文內(nèi)容從這些眾多的HTML信息中提取出來呢？這就是本小節(jié)實戰(zhàn)的主要內(nèi)容苗踪。
（3）Beautiful Soup
爬蟲的第一步颠区，獲取整個網(wǎng)頁的HTML信息，我們已經(jīng)完成通铲。接下來就是爬蟲的第二步毕莱，解析HTML信息，提取我們感興趣的內(nèi)容测暗。對于本小節(jié)的實戰(zhàn)央串，我們感興趣的內(nèi)容就是文章的正文。提取的方法有很多碗啄，例如使用正則表達式质和、Xpath、Beautiful Soup等稚字。對于初學(xué)者而言饲宿，最容易理解，并且使用簡單的方法就是使用Beautiful Soup提取感興趣內(nèi)容瘫想。
Beautiful Soup的安裝方法和requests一樣国夜，使用如下指令安裝(也是二選一)：
pip install beautifulsoup4
easy_install beautifulsoup4
一個強大的第三方庫，都會有一個詳細的官方文檔车吹。我們很幸運醋闭，Beautiful Soup也是有中文的官方文檔窄驹。URL：http://beautifulsoup.readthedocs.io/zh_CN/latest/
同理乐埠，我會根據(jù)實戰(zhàn)需求瑞眼，講解Beautiful Soup庫的部分使用方法负拟，更詳細的內(nèi)容，請查看官方文檔秸歧。
現(xiàn)在，我們使用已經(jīng)掌握的審查元素方法经备，查看一下我們的目標頁面，你會看到如下內(nèi)容：
不難發(fā)現(xiàn)纷闺，文章的所有內(nèi)容都放在了一個名為div的“東西下面”，這個"東西"就是html標簽浸卦。HTML標簽是HTML語言中最基本的單位限嫌，HTML標簽是HTML最重要的組成部分。不理解裆熙，沒關(guān)系蛤奥，我們再舉個簡單的例子：一個女人的包包里凡桥，會有很多東西缅刽，她們會根據(jù)自己的習(xí)慣將自己的東西進行分類。鏡子和口紅這些會經(jīng)常用到的東西啡省，回歸放到容易拿到的外側(cè)口袋里。那些不經(jīng)常用到结序，需要注意安全存放的證件會被放到不容易拿到的里側(cè)口袋里。
html標簽就像一個個“口袋”嗜浮，每個“口袋”都有自己的特定功能，負責(zé)存放不同的內(nèi)容庆杜。顯然钮追，上述例子中的div標簽下存放了我們關(guān)心的正文內(nèi)容轧叽。這個div標簽是這樣的：
細心的朋友可能已經(jīng)發(fā)現(xiàn)待逞，除了div字樣外识樱，還有id和class。id和class就是div標簽的屬性休雌，content和showtxt是屬性值驰凛，一個屬性對應(yīng)一個屬性值趣钱。這東西有什么用首有？它是用來區(qū)分不同的div標簽的，因為div標簽可以有很多烙常，我們怎么加以區(qū)分不同的div標簽?zāi)兀烤褪峭ㄟ^不同的屬性值驼鞭。
仔細觀察目標網(wǎng)站一番译隘，我們會發(fā)現(xiàn)這樣一個事實：class屬性為showtxt的div標簽，獨一份玻驻！這個標簽里面存放的內(nèi)容，是我們關(guān)心的正文部分嗤锉。
知道這個信息，我們就可以使用Beautiful Soup提取我們想要的內(nèi)容了访诱，編寫代碼如下：
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
target = 'http://www.biqukan.com/1_1094/5403177.html'
req = requests.get(url = target)
html = req.text
bf = BeautifulSoup(html)
texts = bf.find_all('div', class_ = 'showtxt')
print(texts)
在解析html之前，我們需要創(chuàng)建一個Beautiful Soup對象涡相。BeautifulSoup函數(shù)里的參數(shù)就是我們已經(jīng)獲得的html信息。然后我們使用find_all方法生逸，獲得html信息中所有class屬性為showtxt的div標簽。find_all方法的第一個參數(shù)是獲取的標簽名遍尺，第二個參數(shù)class_是標簽的屬性迂苛，為什么不是class，而帶了一個下劃線呢念搬？因為python中class是關(guān)鍵字，為了防止沖突爷恳，這里使用class_表示標簽的class屬性，class_后面跟著的showtxt就是屬性值了。看下我們要匹配的標簽格式：
這樣對應(yīng)的看一下，是不是就懂了魄幕？可能有人會問了，為什么不是find_all('div', id = 'content', class_ = 'showtxt')?這樣其實也是可以的，屬性是作為查詢時候的約束條件阴颖，添加一個class_='showtxt'條件钾菊，我們就已經(jīng)能夠準確匹配到我們想要的標簽了，所以我們就不必再添加id這個屬性了滞详。運行代碼查看我們匹配的結(jié)果：
我們可以看到瘦棋，我們已經(jīng)順利匹配到我們關(guān)心的正文內(nèi)容凰狞，但是還有一些我們不想要的東西。比如div標簽名逾冬，br標簽，以及各種空格。怎么去除這些東西呢她按？我們繼續(xù)編寫代碼：
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
target = 'http://www.biqukan.com/1_1094/5403177.html'
req = requests.get(url = target)
html = req.text
bf = BeautifulSoup(html)
texts = bf.find_all('div', class_ = 'showtxt')
print(texts[0].text.replace('\xa0'*8,'\n\n'))
find_all匹配的返回的結(jié)果是一個列表。提取匹配結(jié)果后，使用text屬性授霸，提取文本內(nèi)容显设，濾除br標簽。隨后使用replace方法指攒，剔除空格，替換為回車進行分段隙弛。 在html中是用來表示空格的萍启。replace('\xa0'*8,'\n\n')就是去掉下圖的八個空格符號姚淆，并用回車代替：
程序運行結(jié)果如下：
可以看到超埋，我們很自然的匹配到了所有正文內(nèi)容，并進行了分段来庭。我們已經(jīng)順利獲得了一個章節(jié)的內(nèi)容肴盏，要想下載正本小說厉萝，我們就要獲取每個章節(jié)的鏈接章母。我們先分析下小說目錄乳怎，URL：http://www.biqukan.com/1_1094/
通過審查元素博杖，我們發(fā)現(xiàn)可以發(fā)現(xiàn)哩盲，這些章節(jié)都存放在了class屬性為listmain的div標簽下苗傅，選取部分html代碼如下：
《一念永恒》最新章節(jié)列表
《一念永恒》正文卷
在分析之前，讓我們先介紹一個概念：父節(jié)點、子節(jié)點茄袖、孫節(jié)點聂薪。
和
限定了
標簽的開始和結(jié)束的位置仁锯，他們是成對出現(xiàn)的，有開始位置翔悠，就有結(jié)束位置业崖。我們可以看到，在
標簽包含
標簽蓄愁，那這個
標簽就是
標簽的子節(jié)點，
標簽又包含標簽和
標簽撮抓，那么
標簽和
標簽就是
標簽的孫節(jié)點妇斤。有點繞？那你記住這句話：誰包含誰丹拯，誰就是誰兒子站超！
他們之間的關(guān)系都是相對的。比如對于
標簽乖酬，它的子節(jié)點是標簽死相，它的父節(jié)點是
標簽。這跟我們?nèi)耸且粯拥慕Ｐ蹋嫌欣舷掠行 ?/p>
看到這里可能有人會問媳纬，這有好多
標簽和標簽啊施掏！不同的
標簽钮惠，它們是什么關(guān)系啊七芭？顯然素挽，兄弟姐妹嘍！我們稱它們?yōu)樾值芙Y(jié)點狸驳。
好了预明，概念明確清楚，接下來耙箍，讓我們分析一下問題撰糠。我們看到每個章節(jié)的名字存放在了標簽里面。標簽還有一個href屬性辩昆。這里就不得不提一下標簽的定義了阅酪，標簽定義了一個超鏈接，用于從一張頁面鏈接到另一張頁面。標簽最重要的屬性是 href 屬性术辐，它指示鏈接的目標砚尽。
我們將之前獲得的第一章節(jié)的URL和標簽對比看一下：
http://www.biqukan.com/1_1094/5403177.html
不難發(fā)現(xiàn)，標簽中href屬性存放的屬性值/1_1094/5403177.html是章節(jié)URLhttp://www.biqukan.com/1_1094/5403177.html的后半部分辉词。其他章節(jié)也是如此必孤！那這樣，我們就可以根據(jù)標簽的href屬性值獲得每個章節(jié)的鏈接和名稱了瑞躺。
總結(jié)一下：小說每章的鏈接放在了class屬性為listmain的
標簽下的標簽中敷搪。鏈接具體位置放在html->body->div->dl->dd->a的href屬性中。先匹配class屬性為listmain的
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
target = 'http://www.biqukan.com/1_1094/'
req = requests.get(url = target)
html = req.text
div_bf = BeautifulSoup(html)
div = div_bf.find_all('div', class_ = 'listmain')
print(div[0])
還是使用find_all方法，運行結(jié)果如下：
很順利嘱么，接下來再匹配每一個標簽狮含，并提取章節(jié)名和章節(jié)文章。如果我們使用Beautiful Soup匹配到了下面這個標簽曼振，如何提取它的href屬性和標簽里存放的章節(jié)名呢几迄？
方法很簡單，對Beautiful Soup返回的匹配結(jié)果a冰评，使用a.get('href')方法就能獲取href的屬性值映胁，使用a.string就能獲取章節(jié)名，編寫代碼如下：
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
if __name__ == "__main__":
server = 'http://www.biqukan.com/'
target = 'http://www.biqukan.com/1_1094/'
req = requests.get(url = target)
html = req.text
div_bf = BeautifulSoup(html)
div = div_bf.find_all('div', class_ = 'listmain')
a_bf = BeautifulSoup(str(div[0]))
a = a_bf.find_all('a')
for each in a:
print(each.string, server + each.get('href'))
因為find_all返回的是一個列表甲雅，里邊存放了很多的標簽解孙，所以使用for循環(huán)遍歷每個標簽并打印出來，運行結(jié)果如下抛人。
最上面匹配的一千多章的內(nèi)容是最新更新的12章節(jié)的鏈接弛姜。這12章內(nèi)容會和下面的重復(fù)，所以我們要濾除妖枚，除此之外廷臼，還有那3個外傳，我們也不想要绝页。這些都簡單地剔除就好荠商。
（3）整合代碼
每個章節(jié)的鏈接、章節(jié)名续誉、章節(jié)內(nèi)容都有了莱没。接下來就是整合代碼，將獲得內(nèi)容寫入文本文件存儲就好了酷鸦。編寫代碼如下：
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests, sys
"""
類說明:下載《筆趣看》網(wǎng)小說《一念永恒》
Parameters:
無
Returns:
無
Modify:
2017-09-13
"""
class downloader(object):
def __init__(self):
self.server = 'http://www.biqukan.com/'
self.target = 'http://www.biqukan.com/1_1094/'
self.names = [] ? ? ? ? #存放章節(jié)名
self.urls = [] ? ? ? ? ?#存放章節(jié)鏈接
self.nums = 0 ? ? ? ? ? #章節(jié)數(shù)
"""
函數(shù)說明:獲取下載鏈接
Parameters:
無
Returns:
無
Modify:
2017-09-13
"""
def get_download_url(self):
req = requests.get(url = self.target)
html = req.text
div_bf = BeautifulSoup(html)
div = div_bf.find_all('div', class_ = 'listmain')
a_bf = BeautifulSoup(str(div[0]))
a = a_bf.find_all('a')
self.nums = len(a[15:]) #剔除不必要的章節(jié)饰躲，并統(tǒng)計章節(jié)數(shù)
for each in a[15:]:
self.names.append(each.string)
self.urls.append(self.server + each.get('href'))
"""
函數(shù)說明:獲取章節(jié)內(nèi)容
Parameters:
target - 下載連接(string)
Returns:
texts - 章節(jié)內(nèi)容(string)
Modify:
2017-09-13
"""
def get_contents(self, target):
req = requests.get(url = target)
html = req.text
bf = BeautifulSoup(html)
texts = bf.find_all('div', class_ = 'showtxt')
texts = texts[0].text.replace('\xa0'*8,'\n\n')
return texts
"""
函數(shù)說明:將爬取的文章內(nèi)容寫入文件
Parameters:
name - 章節(jié)名稱(string)
path - 當前路徑下,小說保存名稱(string)
text - 章節(jié)內(nèi)容(string)
Returns:
無
Modify:
2017-09-13
"""
def writer(self, name, path, text):
write_flag = True
with open(path, 'a', encoding='utf-8') as f:
f.write(name + '\n')
f.writelines(text)
f.write('\n\n')
if __name__ == "__main__":
dl = downloader()
dl.get_download_url()
print('《一年永恒》開始下載：')
for i in range(dl.nums):
dl.writer(dl.names[i], '一念永恒.txt', dl.get_contents(dl.urls[i]))
sys.stdout.write(" ?已下載:%.3f%%" % ?float(i/dl.nums) + '\r')
sys.stdout.flush()
print('《一年永恒》下載完成')
很簡單的程序朴译，單進程跑，沒有開進程池属铁。下載速度略慢，喝杯茶休息休息吧躬翁。代碼運行效果如下圖所示：
2. 優(yōu)美壁紙下載
（1）實戰(zhàn)背景
已經(jīng)會爬取文字了焦蘑，是不是感覺爬蟲還是蠻好玩的呢？接下來盒发，讓我們進行一個進階實戰(zhàn)例嘱，了解一下反爬蟲。URL：https://unsplash.com/
看一看這些優(yōu)美的壁紙宁舰，這個網(wǎng)站的名字叫做Unsplash拼卵，免費高清壁紙分享網(wǎng)是一個堅持每天分享高清的攝影圖片的站點，每天更新一張高質(zhì)量的圖片素材蛮艰，全是生活中的景象作品腋腮，清新的生活氣息圖片可以作為桌面壁紙也可以應(yīng)用于各種需要的環(huán)境。
看到這么優(yōu)美的圖片壤蚜，我的第一反應(yīng)就是想收藏一些即寡，作為知乎文章的題圖再好不過了。每張圖片我都很喜歡袜刷，批量下載吧聪富，不多爬，就下載50張好了著蟹。
（2）實戰(zhàn)進階
我們已經(jīng)知道了每個html標簽都有各自的功能墩蔓。標簽存放一下超鏈接，圖片存放在哪個標簽里呢萧豆？html規(guī)定奸披，圖片統(tǒng)統(tǒng)給我放到
標簽中！既然這樣炕横，我們截取就Unsplash網(wǎng)站中的一個
need-to-insert-img
標簽源内，分析一下：
need-to-insert-img
可以看到，
標簽有很多屬性份殿，有alt膜钓、src、class卿嘲、style屬性颂斜，其中src屬性存放的就是我們需要的圖片保存地址，我們根據(jù)這個地址就可以進行圖片的下載拾枣。
need-to-insert-img
那么沃疮，讓我們先捋一捋這個過程：
使用requeusts獲取整個網(wǎng)頁的HTML信息盒让；
使用Beautiful Soup解析HTML信息，找到所有
標簽司蔬，提取src屬性邑茄，獲取圖片存放地址；
need-to-insert-img
根據(jù)圖片存放地址俊啼，下載圖片肺缕。
我們信心滿滿地按照這個思路爬取Unsplash試一試，編寫代碼如下：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'https://unsplash.com/'
req = requests.get(url=target)
print(req.text)
按照我們的設(shè)想授帕，我們應(yīng)該能找到很多
標簽同木。但是我們發(fā)現(xiàn)，除了一些
need-to-insert-img
答案就是跛十，這個網(wǎng)站的所有圖片都是動態(tài)加載的彤路！網(wǎng)站有靜態(tài)網(wǎng)站和動態(tài)網(wǎng)站之分，上一個實戰(zhàn)爬取的網(wǎng)站是靜態(tài)網(wǎng)站芥映，而這個網(wǎng)站是動態(tài)網(wǎng)站洲尊，動態(tài)加載有一部分的目的就是為了反爬蟲。
對于什么是動態(tài)加載屏轰，你可以這樣理解：
我們知道化妝術(shù)學(xué)的好颊郎，賊厲害，可以改變一個人的容貌霎苗。相應(yīng)的姆吭，動態(tài)加載用的好，也賊厲害唁盏，可以改變一個網(wǎng)站的容貌内狸。
動態(tài)網(wǎng)站使用動態(tài)加載常用的手段就是通過調(diào)用JavaScript來實現(xiàn)的。怎么實現(xiàn)JavaScript動態(tài)加載厘擂，我們不必深究昆淡，我們只要知道，動態(tài)加載的JavaScript腳本刽严，就像化妝術(shù)需要用的化妝品昂灵，五花八門。有粉底舞萄、口紅眨补、睫毛膏等等，它們都有各自的用途倒脓。動態(tài)加載的JavaScript腳本也一樣撑螺，一個動態(tài)加載的網(wǎng)站可能使用很多JavaScript腳本，我們只要找到負責(zé)動態(tài)加載圖片的JavaScript腳本崎弃，不就找到我們需要的鏈接了嗎甘晤？
對于初學(xué)者含潘，我們不必看懂JavaScript執(zhí)行的內(nèi)容是什么，做了哪些事情线婚，因為我們有強大的抓包工具遏弱，它自然會幫我們分析。這個強大的抓包工具就是Fiddler塞弊。URL：http://www.telerik.com/fiddler
PS：也可以使用瀏覽器自帶的Networks腾窝，但是我更推薦這個軟件，因為它操作起來更高效居砖。
安裝方法很簡單，傻瓜式安裝驴娃，一直下一步即可奏候，對于經(jīng)常使用電腦的人來說，應(yīng)該沒有任何難度唇敞。
這個軟件的使用方法也很簡單蔗草，打開軟件，然后用瀏覽器打開我們的目標網(wǎng)站疆柔，以Unsplash為例咒精，抓包結(jié)果如下：
我們可以看到，上圖左側(cè)紅框處是我們的GET請求的地址旷档，就是網(wǎng)站的URL模叙，右下角是服務(wù)器返回的信息，我們可以看到鞋屈，這些信息也是我們上一個程序獲得的信息范咨。這個不是我們需要的鏈接，我們繼續(xù)往下看厂庇。
我們發(fā)現(xiàn)上圖所示的就是一個JavaScript請求渠啊，看右下側(cè)服務(wù)器返回的信息是一個json格式的數(shù)據(jù)。這里面权旷，就有我們需要的內(nèi)容替蛉。我們局部放大看一下：
這是Fiddler右側(cè)的信息，上面是請求的Headers信息拄氯，包括這個Javascript的請求地 址：http://unsplash.com/napi/feeds/home躲查，其他信息我們先不管，我們看看下面的內(nèi)容坤邪。里面有很多圖片的信息熙含，包括圖片的id，圖片的大小艇纺，圖片的鏈接怎静，還有下一頁的地址邮弹。這個腳本以json格式存儲傳輸?shù)臄?shù)據(jù)，json格式是一種輕量級的數(shù)據(jù)交換格式蚓聘，起到封裝數(shù)據(jù)的作用腌乡，易于人閱讀和編寫，同時也易于機器解析和生成夜牡。這么多鏈接与纽，可以看到圖片的鏈接有很多，根據(jù)哪個鏈接下載圖片呢塘装？先別急急迂，讓我們繼續(xù)分析：
在這個網(wǎng)站，我們可以按這個按鈕進行圖片下載蹦肴。我們抓包分下下這個動作僚碎，看看發(fā)送了哪些請求。
https://unsplash.com/photos/1PrQ2mHW-Fo/download?force=true
https://unsplash.com/photos/JX7nDtafBcU/download?force=true
https://unsplash.com/photos/HCVbP3zqX4k/download?force=true
通過Fiddler抓包阴幌，我們發(fā)現(xiàn)勺阐，點擊不同圖片的下載按鈕，GET請求的地址都是不同的矛双。但是它們很有規(guī)律渊抽，就是中間有一段代碼是不一樣的，其他地方都一樣议忽。中間那段代碼是不是很熟悉懒闷？沒錯，它就是我們之前抓包分析得到j(luò)son數(shù)據(jù)中的照片的id栈幸。我們只要解析出每個照片的id毛雇，就可以獲得圖片下載的請求地址，然后根據(jù)這個請求地址侦镇，我們就可以下載圖片了灵疮。那么，現(xiàn)在的首要任務(wù)就是解析json數(shù)據(jù)了壳繁。
json格式的數(shù)據(jù)也是分層的震捣。可以看到next_page里存放的是下一頁的請求地址闹炉，很顯然Unsplash下一頁的內(nèi)容蒿赢，也是動態(tài)加載的。在photos下面的id里渣触，存放著圖片的id羡棵，這個就是我們需要獲得的圖片id號。
怎么編程提取這些json數(shù)據(jù)呢嗅钻？我們也是分步完成：
獲取整個json數(shù)據(jù)
解析json數(shù)據(jù)
編寫代碼皂冰，嘗試獲取json數(shù)據(jù)：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'http://unsplash.com/napi/feeds/home'
req = requests.get(url=target)
print(req.text)
很遺憾店展，程序報錯了，問題出在哪里秃流？通過錯誤信息赂蕴，我們可以看到SSL認證錯誤，SSL認證是指客戶端到服務(wù)器端的認證舶胀。一個非常簡單的解決這個認證錯誤的方法就是設(shè)置requests.get()方法的verify參數(shù)概说。這個參數(shù)默認設(shè)置為True，也就是執(zhí)行認證嚣伐。我們將其設(shè)置為False糖赔，繞過認證不就可以了？
有想法就要嘗試轩端，編寫代碼如下：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'http://unsplash.com/napi/feeds/home'
req = requests.get(url=target, verify=False)
print(req.text)
認證問題解決了挂捻，又有新問題了：
可以看到，我們GET請求又失敗了船万，這是為什么？這個網(wǎng)站反爬蟲的手段除了動態(tài)加載骨田，還有一個反爬蟲手段耿导，那就是驗證Request Headers。接下來态贤，讓我們分析下這個Requests Headers：
我截取了Fiddler的抓包信息舱呻，可以看到Requests Headers里又很多參數(shù)，有Accept悠汽、Accept-Encoding箱吕、Accept-Language、DPR柿冲、User-Agent茬高、Viewport-Width、accept-version跑杭、Referer普监、x-unsplash-client剔宪、authorization、Connection熏瞄、Host。它們都是什么意思呢谬以？
專業(yè)的解釋能說的太多强饮，我挑重點：
User-Agent：這里面存放瀏覽器的信息∥瑁可以看到上圖的參數(shù)值邮丰，它表示我是通過Windows的Chrome瀏覽器行您，訪問的這個服務(wù)器。如果我們不設(shè)置這個參數(shù)柠座，用Python程序直接發(fā)送GET請求邑雅，服務(wù)器接受到的User-Agent信息就會是一個包含python字樣的User-Agent。如果后臺設(shè)計者驗證這個User-Agent參數(shù)是否合法妈经，不讓帶Python字樣的User-Agent訪問淮野，這樣就起到了反爬蟲的作用。這是一個最簡單的吹泡，最常用的反爬蟲手段骤星。
Referer：這個參數(shù)也可以用于反爬蟲，它表示這個請求是從哪發(fā)出的爆哑《茨眩可以看到我們通過瀏覽器訪問網(wǎng)站，這個請求是從https://unsplash.com/揭朝，這個地址發(fā)出的队贱。如果后臺設(shè)計者，驗證這個參數(shù)潭袱，對于不是從這個地址跳轉(zhuǎn)過來的請求一律禁止訪問柱嫌，這樣就也起到了反爬蟲的作用。
authorization：這個參數(shù)是基于AAA模型中的身份驗證信息允許訪問一種資源的行為屯换。在我們用瀏覽器訪問的時候编丘，服務(wù)器會為訪問者分配這個用戶ID。如果后臺設(shè)計者彤悔，驗證這個參數(shù)嘉抓，對于沒有用戶ID的請求一律禁止訪問，這樣就又起到了反爬蟲的作用晕窑。
Unsplash是根據(jù)哪個參數(shù)反爬蟲的呢抑片？根據(jù)我的測試，是authorization杨赤。我們只要通過程序手動添加這個參數(shù)蓝丙，然后再發(fā)送GET請求，就可以順利訪問了望拖。怎么什么設(shè)置呢渺尘？還是requests.get()方法，我們只需要添加headers參數(shù)即可说敏。編寫代碼如下：
# -*- coding:UTF-8 -*-
import requests
if __name__ == '__main__':
target = 'http://unsplash.com/napi/feeds/home'
headers = {'authorization':'your Client-ID'}
req = requests.get(url=target, headers=headers, verify=False)
print(req.text)
headers參數(shù)值是通過字典傳入的鸥跟。記得將上述代碼中your Client-ID換成諸位自己抓包獲得的信息。代碼運行結(jié)果如下：
皇天不負有心人，可以看到我們已經(jīng)順利獲得json數(shù)據(jù)了医咨，里面有next_page和照片的id枫匾。接下來就是解析json數(shù)據(jù)。根據(jù)我們之前分析可知拟淮，next_page放在了json數(shù)據(jù)的最外側(cè)干茉，照片的id放在了photos->id里。我們使用json.load()方法解析數(shù)據(jù)很泊，編寫代碼如下：
# -*- coding:UTF-8 -*-
import requests, json
if __name__ == '__main__':
target = 'http://unsplash.com/napi/feeds/home'
headers = {'authorization':'your Client-ID'}
req = requests.get(url=target, headers=headers, verify=False)
html = json.loads(req.text)
next_page = html['next_page']
print('下一頁地址:',next_page)
for each in html['photos']:
print('圖片ID:',each['id'])
解析json數(shù)據(jù)很簡單角虫，跟字典操作一樣，就是字典套字典委造。json.load()里面的參數(shù)是原始的json格式的數(shù)據(jù)戳鹅。程序運行結(jié)果如下：
圖片的ID已經(jīng)獲得了，再通過字符串處理一下昏兆，就生成了我們需要的圖片下載請求地址枫虏。根據(jù)這個地址，我們就可以下載圖片了爬虱。下載方式隶债，使用直接寫入文件的方法。
（3）整合代碼
每次獲取鏈接加一個1s延時跑筝，因為人在瀏覽頁面的時候死讹，翻頁的動作不可能太快。我們要讓我們的爬蟲盡量友好一些继蜡。
# -*- coding:UTF-8 -*-
import requests, json, time, sys
from contextlib import closing
class get_photos(object):
def __init__(self):
self.photos_id = []
self.download_server = 'https://unsplash.com/photos/xxx/download?force=trues'
self.target = 'http://unsplash.com/napi/feeds/home'
self.headers = {'authorization':'your Client-ID'}
"""
函數(shù)說明:獲取圖片ID
Parameters:
無
Returns:
無
Modify:
2017-09-13
"""
def get_ids(self):
req = requests.get(url=self.target, headers=self.headers, verify=False)
html = json.loads(req.text)
next_page = html['next_page']
for each in html['photos']:
self.photos_id.append(each['id'])
time.sleep(1)
for i in range(4):
req = requests.get(url=next_page, headers=self.headers, verify=False)
html = json.loads(req.text)
next_page = html['next_page']
for each in html['photos']:
self.photos_id.append(each['id'])
time.sleep(1)
"""
函數(shù)說明:圖片下載
Parameters:
無
Returns:
無
Modify:
2017-09-13
"""
def download(self, photo_id, filename):
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'}
target = self.download_server.replace('xxx', photo_id)
with closing(requests.get(url=target, stream=True, verify = False, headers = self.headers)) as r:
with open('%d.jpg' % filename, 'ab+') as f:
for chunk in r.iter_content(chunk_size = 1024):
if chunk:
f.write(chunk)
f.flush()
if __name__ == '__main__':
gp = get_photos()
print('獲取圖片連接中:')
gp.get_ids()
print('圖片下載中:')
for i in range(len(gp.photos_id)):
print(' ?正在下載第%d張圖片' % (i+1))
gp.download(gp.photos_id[i], (i+1))
下載速度還行，有的圖片下載慢是因為圖片太大逛腿∠〔ⅲ可以看到右側(cè)也打印了一些警報信息，這是因為我們沒有進行SSL驗證单默。
學(xué)會了爬取圖片碘举，簡單的動態(tài)加載的網(wǎng)站也難不倒你了。趕快試試國內(nèi)的一些圖片網(wǎng)站吧搁廓！
3. 愛奇藝VIP視頻下載
（1）實戰(zhàn)背景
愛奇藝的VIP視頻只有會員能看引颈，普通用戶只能看前6分鐘。比如加勒比海盜5的URL：http://www.iqiyi.com/v_19rr7qhfg0.html#vfrm=19-9-0-1
我們怎么免費看VIP視頻呢境蜕？一個簡單的方法蝙场，就是通過旋風(fēng)視頻VIP解析網(wǎng)站。URL：http://api.xfsub.com/
這個網(wǎng)站為我們提供了免費的視頻解析粱年，它的通用解析方式是：
http://api.xfsub.com/index.php?url=[播放地址或視頻id]
比如售滤，對于繡春刀這個電影，我們只需要在瀏覽器地址欄輸入：
http://api.xfsub.com/index.php?url=http://www.iqiyi.com/v_19rr7qhfg0.html#vfrm=19-9-0-1
這樣，我們就可以在線觀看這些VIP視頻了：
但是這個網(wǎng)站只提供了在線解析視頻的功能完箩，沒有提供下載接口赐俗，如果想把視頻下載下來，我們就可以利用網(wǎng)絡(luò)爬蟲進行抓包弊知，將視頻下載下來阻逮。
（2）實戰(zhàn)升級
分析方法相同，我們使用Fiddler進行抓包：
我們可以看到秩彤，有用的請求并不多叔扼，我們逐條分析。我們先看第一個請求返回的信息呐舔。
可以看到第一個請求是GET請求币励，沒有什么有用的信息，繼續(xù)看下一條珊拼。
我們看到食呻，第二條GET請求地址變了，并且在返回的信息中澎现，我們看到仅胞，這個網(wǎng)頁執(zhí)行了一個POST請求。POST請求是啥呢剑辫？它跟GET請求正好相反干旧，GET是從服務(wù)器獲得數(shù)據(jù)，而POST請求是向服務(wù)器發(fā)送數(shù)據(jù)妹蔽，服務(wù)器再根據(jù)POST請求的參數(shù)椎眯，返回相應(yīng)的內(nèi)容。這個POST請求有四個參數(shù)胳岂，分別為time编整、key、url乳丰、type掌测。記住這個有用的信息，我們在抓包結(jié)果中产园，找一下這個請求汞斧，看看這個POST請求做了什么。
很顯然什燕，這個就是我們要找的POST請求粘勒，我們可以看到POST請求的參數(shù)以及返回的json格式的數(shù)據(jù)。其中url存放的參數(shù)如下：
xfsub_api\/url.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http%3A%2F%2Fwww.iqiyi.com%2Fv_19rr7qhfg0.html&type=&xml=1
這個信息有轉(zhuǎn)義了屎即，但是沒有關(guān)系仲义，我們手動提取一下，變成如下形式：
xfsub_api/url.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http://www.iqiyi.com/v_19rr7qhfg0.html&type=&xml=1
我們已經(jīng)知道了這個解析視頻的服務(wù)器的域名，再把域名加上：
http://api.xfsub.com/xfsub_api\url.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http://www.iqiyi.com/v_19rr7qhfg0.html&type=&xml=1
這里面存放的是什么東西埃撵？不會視頻解析后的地址吧赵颅？我們有瀏覽器打開這個地址看一下：
果然，我們可以看到視頻地址近在眼前啊暂刘，URL如下：
http://disp.titan.mgtv.com/vod.do?fmt=4&pno=1121&fid=1FEA2622E0BD9A1CA625FBE9B5A238A6&file=/c1/2017/09/06_0/1FEA2622E0BD9A1CA625FBE9B5A238A6_20170906_1_1_705.mp4
我們再打開這個視頻地址：
瞧饺谬，我們就這樣得到了這個視頻在服務(wù)器上的緩存地址。根據(jù)這個地址谣拣，我們就可以輕松下載視頻了募寨。
PS：需要注意一點，這些URL地址森缠，都是有一定時效性的拔鹰，很快就會失效，因為里面包含時間信息贵涵。所以列肢，各位在分析的時候，要根據(jù)自己的URL結(jié)果打開網(wǎng)站才能看到視頻宾茂。
接下來瓷马，我們的任務(wù)就是編程實現(xiàn)我們所分析的步驟，根據(jù)不同的視頻播放地址獲得視頻存放的地址跨晴。
現(xiàn)在梳理一下編程思路：
用正則表達式匹配到key欧聘、time、url等信息端盆。
根據(jù)匹配的到信息發(fā)POST請求怀骤，獲得一個存放視頻信息的url。
根據(jù)這個url獲得視頻存放的地址焕妙。
根據(jù)最終的視頻地址蒋伦，下載視頻。
（3）編寫代碼
編寫代碼的時候注意一個問題访敌，就是我們需要使用requests.session()保持我們的會話請求凉敲。簡單理解就是衣盾，在初次訪問服務(wù)器的時候寺旺，服務(wù)器會給你分配一個身份證明。我們需要拿著這個身份證去繼續(xù)訪問势决，如果沒有這個身份證明阻塑，服務(wù)器就不會再讓你訪問。這也就是這個服務(wù)器的反爬蟲手段果复，會驗證用戶的身份陈莽。
思路已經(jīng)給出，希望喜歡爬蟲的人可以在運行下代碼之后，自己重頭編寫程序走搁，因為只有經(jīng)過自己分析和測試之后独柑，才能真正明白這些代碼的意義。上述代碼運行結(jié)果如下：
我們已經(jīng)順利獲得了mp4這個視頻文件地址私植。根據(jù)視頻地址忌栅，使用 urllib.request.urlretrieve() 即可將視頻下載下來。編寫代碼如下：
urlretrieve()有三個參數(shù)曲稼，第一個url參數(shù)是視頻存放的地址索绪，第二個參數(shù)filename是保存的文件名，最后一個是回調(diào)函數(shù)贫悄，它方便我們查看下載進度瑞驱。代碼量不大，很簡單窄坦，主要在于分析過程唤反。代碼運行結(jié)果如下：
下載速度挺快的，幾分鐘視頻下載好了嫡丙。
對于這個程序拴袭，感興趣的朋友可以進行擴展一下，設(shè)計出一個小軟件曙博，根據(jù)用戶提供的url拥刻，提供PC在線觀看、手機在線觀看父泳、視頻下載等功能般哼。
四、總結(jié)
爬蟲時效性低惠窄，同樣的思路過了一個月蒸眠，甚至一周可能無法使用，但是爬取思路都是如此杆融，完全可以自行分析楞卡。
本次實戰(zhàn)代碼，均已上傳我的Github脾歇，歡迎Follow蒋腮、Star：
https://github.com/Jack-Cherish/python-spider
如有問題，請留言藕各。如有錯誤池摧，還望指正，謝謝激况！
