首页 > 代码库 > python爬虫——论抓包的正确姿势和学好Javascript的重要性(1)

python爬虫——论抓包的正确姿势和学好Javascript的重要性(1)

  没事想爬下数据,就入了scrapy坑,跟着https://zhuanlan.zhihu.com/data-factory这篇教程走,中间被小数量的网站坑过,不过还是写出了爬虫~~

  切糕王子:毫无防御,直接scan就可以了;

  尚妆网:进这个网站时才发现,这和说好的不一样!!!这个网站也是采用了拖动到底才加载,不过貌似不能拖到底,要移到稍微上面才能加载?不过那个教程说的根据探查到的url找出规律,再伪装参数这点还是有用的

  批量爬取商品url代码(只有ShowjoySpider):

技术分享
# -*- coding: utf-8 -*-
import time
import sys
import random
reload(sys)
sys.setdefaultencoding("utf-8")
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from tutorial.items import TutorialItem
from scrapy.http.request import Request
import re

class ShowjoySpider(BaseSpider):
    name = "Showjoy"
    allowed_domains = ["showjoy.com"]
    start_urls = [
        "http://list.m.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E5%A5%97%E8%A3%85&stock=1"
    ]

    # to keep the login status
    cookies = {}
    
    # pretend to visit page by computer/smart phone
    headers = {
        Connection: keep - alive,
        User-Agent: Mozilla/5.0 (Android 4.4; Mobile; rv:41.0) Gecko/41.0 Firefox/41.0
        # ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36‘
    }

    # to solve the response
    meta = {
        dont_redirect: False,  # don‘t ban the redirect
        handle_httpstatus_list: [301, 302]  # solve the exception
    }

    def toFile(self, str, fileName):
        file = open(fileName, "a")
        file.write(str)
        file.write(\n)
        file.close()
    
    def start_requests(self):
        """
        override function
        """
        yield Request(self.start_urls[0], callback=self.parse, headers=self.headers, cookies=self.cookies, meta=self.meta)
    
    def parse(self, response):
        print analyse starting
        body = response.body
        linklist = re.findall(rhttp://item.m.showjoy.com/sku/[0-9]+.html,body)
        # token = sele.select(‘//input[@name="_synToken"]/@value‘).extract()[0]
        print len= + str(len(linklist))
        if(len(linklist) == 0):
            return
        # print ‘token=‘ + str(token)
        self.toFile(str(linklist), "urlList.txt")  
        newurl = self.start_urls[0] + &page=
        exresult = re.search(rpage=(\d+),response.url)
        if(exresult == None):
            print page 2
            # newurl += ‘2&_synToken=‘ + str(token)
            newurl += 2
        else:
            print page n
            newpagenum = int(exresult.group(1)) + 1
            # newurl += str(newpagenum) + ‘&_synToken=‘ + str(token)
            newurl += str(newpagenum)
        time.sleep(1)
        yield Request(newurl, callback=self.parse, headers=self.headers, cookies=self.cookies, meta=self.meta)
View Code

  Taobao/Tmall:其实用PhantomJS就可以比较容易搞定,但是个人觉得这样爬取速度偏慢,想了下决定挑战抓包,结果就被乱且杂的js文件击坠了。。。

  首先为了方便抓数据,user-agent设定为Mozilla/5.0 (Android 4.4; Mobile; rv:41.0) Gecko/41.0 Firefox/41.0(让网站以为我们是手机,返回小个网站,不过蛋疼的是某些地方点击没反应,要引用selenium.webdriver.common.touch_actions)

  技术分享

  进入搜索界面,输入“acm-icpc”到框里出来一堆商品^ ^,查看代码,卧槽有两种url,进去也是不同的代码结构(天猫和淘宝主站不同结构,有你的)。嗯,分别解析代码结构吧

(注意用手机网页端的话,天猫页面可能会被下载app提示覆盖,用touch_actions去tap对应class按钮再爬)

  一开始的商品信息直接爬了也没关系,没有异步加载的数据,只是销量、价格和地区一定要手动到页面大约第380行,json那里找数据。

 技术分享

  标题显式标在html页面,价格(52.93)、月销量(48)和地区(山东青岛)是在下方的json字符串里找到的orz

  商品评论那里抓包比较容易,下面3个包查看内容就知道分别什么内容了(进入评论界面前,请clear之前抓的包)

  技术分享

 

  评论url格式比较标准,https://rate.tmall.com/list_detail_rate.htm?itemId=529090856192&sellerId=741719789&order=3&append=0&content=0&currentPage=1&pageSize=10&tagId=&_ksTS=1500373894842_492&callback=jsonp493

  itemId和sellerId在爬下来的源代码那里就有,除了_ksTS和callback其他的参数直接粘贴,问题就在于不知道如何确定那2个参数

  查看那条url右边的js文件,查找“_ksTS”发现是d.now()+d.guid(),查了下,知道那是淘宝kissy框架的东西,now()根据new Date().getTime(),guid()是唯一标识符,python好像也支持new Date(),但是返回的参数跟js的差好远,要不使用phantomJS完成url拼接抓包是不可能了。。。

  再看商品详情技术分享

  特码全是图片,而且url也被层层js覆盖起来了

  技术分享

 

  技术分享

  (就是说,商品详情必须用phantomJS爬)

python爬虫——论抓包的正确姿势和学好Javascript的重要性(1)