网页视频抓取工具 知乎(Python进阶者本文基于粉丝提问分享实用的爬虫经验 )

　　网页视频抓取工具 知乎(Python进阶者本文基于粉丝提问分享实用的爬虫经验

)

　　一、想法

　　很多网站都有反向请求。这个时候，一般有两种选择。要么找到js接口，要么使用requests_html等其他工具。在这里他使用了后者的 requests_html 工具。

　　二、分析

　　一开始我是直接用requests来发出请求的。我发现我得到的响应数据是错误的，和源代码相差万里。然后我认为网站应该有反爬。我尝试添加一些 ua，但标题仍然不起作用，所以我想尝试使用 requests_html 工具。

　　

　　三、代码

　　下面是这个爬虫的代码，欢迎大家试用。

　　# 作者：@有点意思

import re

import requests_html

def 抓取源码(url):

user_agent = requests_html.user_agent()

session = requests_html.HTMLSession()

headers = {

"cookie": "BAIDUID=D664B1FA319D687E8EE0F9E8D643780A:FG=1; BIDUPSID=D664B1FA319D687E8EE0F9E8D643780A; PSTM=1620719199; __yjs_duid=1_c6692c2be6c2ffe04f29102282538ba81620719216498; BDUSS=dzdjlXdGsyTkhYdUFGeWFZOH40SmNWSkpDeUlPYS1UbU4xYklkYnFPY0Z5NTFoRVFBQUFBJCQAAAAAAAAAAAEAAAAmfcsXTUFPQlVDSEkyMDExAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAU-dmEFPnZhWD; BDUSS_BFESS=dzdjlXdGsyTkhYdUFGeWFZOH40SmNWSkpDeUlPYS1UbU4xYklkYnFPY0Z5NTFoRVFBQUFBJCQAAAAAAAAAAAEAAAAmfcsXTUFPQlVDSEkyMDExAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAU-dmEFPnZhWD; BAIDUID_BFESS=2C6304C3307DE9DB6DD487CC5C7C2DD3:FG=1; BDPPN=4464e3ebfa50be9e28b4d1c23e380603; _j54_6ae_=xlTM-TogKuTwIujX2VajREagog-ZV6RQfAmd; log_guid=0dad4e957fd92b3d86f994e0a93cee98; _j47_ka8_=57; __yjs_st=2_NzJkNjAyZjJmMmE1MTFmOTM1YWFlOWQwZWFlMjFkMTNmZDA0ZTlkNjRmNmUwM2NlZTQ4Y2Y4ZGM5ZjBjMDFlN2E0NzdiNDk4ZjdlNThmMmI4NjkxNDRjYmQ0MjZhMTZkMWYzMTBiYjUyMzJlMDdhMWQwZmQ2YjAwOWNiMTA5ZmJmNGNmNmE3OTk1ODZmZjkyMGQzZGZmNDdmZDJmZGU1MjE3MjgwMWRkNWYyMDlhNWNiYWM3YjNkMWI1MzU5NWM2MjEzYWMxODUyNDcyZDdjYTMzZDRiY2FlYTNmYmRiN2JkYzU1MWZiNWM3OTc4ZjExYmYwNGNlNTA5MjhjMWQ4Yl83XzEyZjk1ZDEw; Hm_lvt_ad52b306e1ae4557f5d3534cce8f8bbf=1637699929,1637713962,1637849108; Hm_lpvt_ad52b306e1ae4557f5d3534cce8f8bbf=1637849108; ab_sr=1.0.1_OTBkZjg4MzZjYjFhMWMyODgxZTM4MDZiNGViYTRkYjFhNDFiNWU1NWUyZjU4NDI3YjVjYTM1YTBiYTc1M2Y0ZTA5ZTI5YTZjNDQ4ZGFjMzE2NTU5ZTkwMWFkYWI0OGE5Nzc4MWFiOGU5N2VmNzJjMDdiYTk4NjYyY2E1NzQ4MzIzMDVmOTc2MDZjOTA0NTYyODNjNmUxNjAwNzlmNThlYQ==; _s53_d91_=93c39820170a0a5e748e1ac9ecc79371df45a908d7031a5e0e6df033fcc8068df8a85a45f59cb9faa0f164dd33ed0c72405da53b835d694f9513b3e1cb6e4a96799af3f84bd42f912f1c8ae0446a53f275c4e5a7894aeb6c9857d9df8629680517ba9801c04e1c714b46f860c3cbb2ecb1a3847388bf1b3c4bcbbd8119b62261a0a625c3c8b053758aa8fe29ec0f7fffe3b49bb0f77fea4df98a0f472d86bde82df374a7e5fb907b27d3187299c8b7ef65e28b9e042741e29587ab5829dfbafca8de50eb8162607986625ecd31d16a1f; _y18_s21_=4c8c0b95; RT=\"z=1&dm=baidu.com&si=nm8z611r2fr&ss=kwf1266k&sl=2&tt=xuh&bcn=https%3A%2F%2Ffclog.baidu.com%2Flog%2Fweirwood%3Ftype%3Dperf&ld=mmj&ul=ilwy\"",

"User-Agent": user_agent

}

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

html = r.html.html

return html # 注意！这里抓取到的源码和手动打开的页面源码不一样

def 解密(列表): # unicode转化成汉字

print(列表)

return [eval(i) for i in 列表]

def 解析页面(html):

公司列表 = re.findall(r'titleName":(".*?")', html, re.DOTALL)

# 注意！此处编写正则时，要匹配的源码是函数“抓取源码”得到的html

# 此处正则匹配时一定要把引号带上！否则eval会报错！

return 解密(公司列表)

if __name__ == "__main__":

# 不用抓包，这里的url就是用户搜索时的页面

url = "https://某某查网站/s?q=%E4%B8%8A%E6%B5%B7%E5%99%A8%E6%A2%B0%E5%8E%82&t=0"

html = 抓取源码(url)

print(html)

公司列表 = 解析页面(html)

print(公司列表)

　　你可能会觉得奇怪，这里有中文的函数名和变量名。这是应原作者的要求，所以没有修改，但不影响程序的执行。

　　程序运行后，可以看到可以捕获目标字段。

　　四、总结

　　我是 Python 进阶者。本文基于粉丝提问，与大家分享一次实战爬虫体验，为大家带来一次有趣的爬虫体验。下次遇到使用requests库无法爬取的网页，或者看不到包的时候，不妨试试文中的requests_html方法，说不定会有用！

　　对于本文的网页，除了文章的“投机取巧”的方法外，用selenium爬取也是可行的，速度较慢，但​​能满足要求。小编认为肯定还有其他方法，也欢迎大家在评论区指教。