黑洞HTTP

黑洞HTTP

您的位置: 首页 > 新闻资讯 > HTTP代理 > 正文

爬取猫眼top100、淘宝美食、微信文章、ip代理池实现、scrapy入

发布时间:2019年03月19日 来源:互联网

python3爬虫教程

爬取猫眼top100电影

爬取猫眼top100、淘宝美食、微信文章、ip代理池实现、scrapy入

简述:


利用requests和简单的正则表达式进行数据的爬取,并利用multiprocessing.Pool线程池加快速度

爬取头条街拍图片


简述:


利用requests的session特性进行爬取,同时添加headers防止网站反爬,并把数据存储进mongoDB

问题1:


爬取返回数据`<html><body></body></html>`, 并不是正确的数据

解决:


利用requests.session(), 添加头信息headers的user-Agent, 替换之前的直接的requests请求

问题2:


头条图片的js格式出现改变

解决:


图片正则表达式:

```

images_pattern = re.compile('gallery: JSON.parse("(.*?)"),', re.S)

result = re.search(images_pattern, html)

data = json.loads(result.group(1).replace('\', ''))

```

爬取淘宝美食


简述:


利用selenium+chrome自动爬取淘宝美食,并利用pyquery分析数据,存入mongodb

改进:


利用chrome新特性headless进行后台爬取

```

options = webdriver.ChromeOptions()

options.add_argument('headless')

browser = webdriver.Chrome(chrome_options=options)

```

代理池


简述:


ip代理池,防止网站反爬设置代理池

文件:


api.py: flask api 对外接口,获取proxy ip

conf.py: 代理设置文件

db.py: redis数据库操作

getter.py: 获取代理IP

spider.py: 代理handler设置

schedule.py: 调度器,调度getter和validator

utils.py: 工具函数

validator.py: 验证代理是否可用

爬取微信文章


错误:


Error Occurred

(MaxRetryError("HTTPConnectionPool(host='180.118.86.57', port=9000):

Max retries exceeded with url: http://weixin.sogou.com/weixin?query=%E9%A3%8E%E6%99%AF&page=1&type=2

(Caused by ProxyError('Cannot connect to proxy.', NewConnectionError('<urllib3.connection.HTTPConnection

object at 0x7f0040885470>: Failed to establish a new connection: [Errno 111] Connection refused',)))",),)

原因:


因为在每次数据传输前客户端要和服务器建立TCP连接,为节省传输消耗,

默认为keep-alive,即连接一次,传输多次,然而在多次访问后不能结束并回到连接池中,导致不能产生新的连接

解决:


headers中的Connection默认为keep-alive,

将header中的Connection一项置为close

```

headers = {

 'Connection': 'close',

}

r = requests.get(url, headers=headers)

```

scrapy 入门:


问题:


```

from quotetutrial.quotetutrial.items import QuoteItem

ImportError: No module named 'quotetutrial.quotetutrial'

```

解决:


需要从项目中引入,不是目录

```

 from quotetutrial.items import QuoteItem

```

scrapy 爬取知乎用户信息


相关文章内容简介

1 爬取猫眼top100、淘宝美食、微信文章、ip代理池实现、scrapy入

python3爬虫教程爬取猫眼top100电影简述:利用requests和简单的正则表达式进行数据的爬取,并利用multiprocessing.Pool线程池加快速度爬取头条街拍图片简述:利用requests的session特性进行爬取,同时添加headers防止网站反爬,并把数据存储进mongoDB问题1:爬取返回数据`<html><body></body></html>`, 并不是正确的数据解决:利用requests.session(), 添加头信息headers的user-Agent, 替换之前的直接的requests请求问题2:头条图片的js格式出现改变解决:图片正则表达式:```images_pattern = re.compile('gallery: JSON.parse("(.*?)"),', [阅读全文]

热门标签

最新标签

推荐阅读

  1. 20

    2019-06

    代理ip服务器软件的工作原理

    在这里我想提醒大家一点,千万不要把代理服务器和路由器搞混淆了。

  2. 30

    2019-07

    代理IP隐藏真实IP保护隐私

    我们在上网的过程中,一不小心个人信息就会别泄露,如果落到不法分子手中,甚至造成一些经济损失,所以保护隐私是很重的。代理IP就是更换我们真实IP的软件,可以隐藏真实地址,一定意

  3. 29

    2019-10

    好用的手机换IP软件特点

    手机如何换ip最简单直接,使用换IP软件是一个最好的换IP方法,网上这么多的手机换IP软件,其中总会有一些软件没有太好的效果,我们也需要自己进行一番挑选,小编在这里就为大家总结了几

  4. 05

    2019-11

    代理IP怎么验证有效?

    首先说说思路:将抓到的 IP 和端口从MySQL数据表中取出来,然后通过PHP中curl函数设置代理,再访问百度或者其他能访问到的网站,通过返回的状态码是否等于200来判断

  5. 13

    2019-11

    代理ip服务器如何助力生活工作?

    随着因特网上代理的普遍应用,代理服务器日常工作就是代替客户端与服务器交流,客户端使用代理ip发送一条数据请求,需要访问某个网站,http请求不是直接传送到终端服务器,而是到了代理

  6. 18

    2019-03

    代理IP爬取的大数据分析的“数据来源”有哪些?

    当我们谈到大数据分析,首先需要确定数据分析的方向和拟解决的问题,然后才能确定需要的数据和分析范围。大数据驱动的分析主要的挑战不是技术问题,而是方向和组织领导的问题,要确定