前言
文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。
作者： Eastmount
PS：如有需要Python學習資料的小伙伴可以加點擊下方鏈接自行獲取
我們在編寫Python爬蟲時，有時會遇到網站拒絕訪問等反爬手段，比如這么我們想爬取螞蟻短租數據，它則會提示“當前訪問疑似黑客攻擊，已被網站管理員設置為攔截”提示，如下圖所示。此時我們需要采用設置Cookie來進行爬取，下面我們進行詳細介紹。非常感謝我的學生承峰提供的思想，后浪推前浪啊！
一. 網站分析與爬蟲攔截
當我們打開螞蟻短租搜索貴陽市，反饋如下圖所示結果。
我們可以看到短租房信息呈現一定規律分布，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
節點下。在定位房屋名稱，如下圖所示，位于
接下來我們寫個簡單的BeautifulSoup進行爬取。
# -*- 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，報錯了，說明螞蟻金服防范措施還是挺到位的。
二. 設置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
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'[短租房價格]', fprice.replace('\n','').strip()
#評分及評論人數
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]', fscore.replace('\n','').strip()
#網頁鏈接url
url_dzf = tag.find(attrs={"target":"_blank"})
urls = url_dzf.attrs['href']
print u'[網頁鏈接]', urls.replace('\n','').strip()
urlss = 'http://www.mayi.com' + urls + ''
print urlss
#主函數
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"結束"
輸出結果如下圖所示：
頁碼 1
[短租房名稱] 大唐東原財富廣場--城市簡約復式民宿
[短租房價格] 298
[短租房評分/評論/居住人數] 5.0分·5條評論·二居·可住3人
[網頁鏈接] /room/851634765
http://www.mayi.com/room/851634765
[短租房名稱] 大唐東原財富廣場--清新檸檬復式民宿
[短租房價格] 568
[短租房評分/評論/居住人數] 2條評論·三居·可住6人
[網頁鏈接] /room/851634467
http://www.mayi.com/room/851634467
...
頁碼 9
[短租房名稱] 【高鐵北站公園旁】美式風情+超大舒適安逸
[短租房價格] 366
[短租房評分/評論/居住人數] 3條評論·二居·可住5人
[網頁鏈接] /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
[短租房價格] 298
[短租房評分/評論/居住人數] 三居·可住6人
[網頁鏈接] /room/851647045
http://www.mayi.com/room/851647045
?
接下來我們想獲取詳細信息
這里作者主要是提供分析Cookie的方法，使用瀏覽器打開網頁，右鍵“檢查”，然后再刷新網頁。在“NetWork”中找到網頁并點擊，在彈出來的Headers中就隱藏這這些信息。
最常見的兩個參數是Cookie和User-Agent，如下圖所示：
然后在Python代碼中設置這些參數，再調用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","價格","評分","可住人數","人均價格"])
#爬取詳細信息
def getInfo(url,fname,fprice,fscore,users):
#通過瀏覽器開發者模式查看訪問使用的user_agent及cookie設置訪問頭(headers)避免反爬蟲,且每隔一段時間運行要根據開發者中的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
print u'可住人數:'
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
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'[短租房價格]', fprice.replace('\n','').strip()
#評分及評論人數
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]', fscore.replace('\n','').strip()
#網頁鏈接url
url_dzf = tag.find(attrs={"target":"_blank"})
urls = url_dzf.attrs['href']
print u'[網頁鏈接]', urls.replace('\n','').strip()
urlss = 'http://www.mayi.com' + urls + ''
print urlss
getInfo(urlss,fname,fprice,fscore,user_agent)
#主函數
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()
輸出結果如下，存儲本地CSV文件：
同時，大家可以嘗試Selenium爬取螞蟻短租，應該也是可行的方法。最后希望文章對您有所幫助，如果存在不足之處，請海涵~
)
