【师】useragent工具utils分析:抓取并持久化

[复制链接]
查看921 | 回复0 | 2022-12-24 17:56:40 | 显示全部楼层 |阅读模式
课程链接

greedyai.com/my/course/91

讲师的公众号文章:

课程代码

抓取并持久化user-agent工具utils.py

对于爬虫工具,需要设置发起请求的user-agent,import fake-useragent可以实现,但是每次更换user-agent都要发起网络请求,并不是好办法,所以比较好的做法是:抓取文件,本地json存储备用。

怎么找到fake-useragent到哪里取数的,截图如下:

utils.py代码如下:

<p><pre>    <code class="language-text">"""
这个工具的目的是把fake_useragent的user_agent下载下来,存储文件使用
from fake_useragent import UserAgent
https://fake-useragent.herokuapp.com/browsers/0.1.11
"""
import requests
import json
import random
"""
json的方法中 dump,dumps,load,loads的区别
dump/load,是操作文件的
dumps/loads,是处理json和字符串直接相互转换的
作业:拿到标签并存储起来
"""
browser_info_file = "browser_info.json"
user_agent_url = "https://fake-useragent.herokuapp.com/browsers/0.1.11"
def write_browser_info_to_file():
    my_user_agent = requests.get(user_agent_url)
    with open(browser_info_file, "w") as f:
        # 写进去就是JSON,方便用json.load读取
        json.dump(my_user_agent.text, f)
        # f.write 的写入方式,是个字符串,json.load就会有问题
        # f.write(my_user_agent.text)


def get_random_browser():
    file = open(browser_info_file, &#39;r&#39;)
    # <class &#39;str&#39;>
    agent_json = json.load(file)
    # <class &#39;dict&#39;>
    agent_json = json.loads(agent_json)
    browsers = agent_json["browsers"]
    # 随机出来一个浏览器类型
    i = random.randint(0, len(browsers) - 1)
    if i == 0:
        browser_name = "chrome"
    elif i == 1:
        browser_name = "opera"
    elif i == 2:
        browser_name = "internetexplorer"
    else:
        browser_name = "safari"
    final_browser = browsers[browser_name][random.randint(0, len(browsers[browser_name]))]
    return final_browser
if __name__ == &#39;__main__&#39;:
    write_browser_info_to_file()
    print(get_random_browser())
</code></pre></p>
抓取热门文章tags并存储-toutiao_spider.py

<p><pre>    <code class="language-text">import requests
import time
import json
import pandas as pd
import re
from part1.utils import get_random_browser
# 定义Http请求的headers/proxies
def get_request_url_and_headers():
    user_agent = get_random_browser()
    current_time = int(time.time())
    # 我要到哪里去
    # 头条的这个,去掉:_signature,否则抓不到数
    request_url = "https://www.toutiao.com/api/pc/feed/?max_behot_time=" \
                  + str(current_time) \
                  + "&category=news_hot&utm_source=toutiao&widen=1&tadrequire=true&as=A1751D55DE389D7&cp" \
                    "=5D5E38E9CDA7BE1"
    # 我怎么来,我骑着自行车来
    headers = {
        "user-agent": user_agent
    }
    # 我从哪里来,我从东土大唐而来
    # 搜索引擎搜"免费IP地址"能找到可用的代理
    proxies = {
        "url": "http://114.235.23.172:9000"
    }
    return request_url, headers, proxies
# 发起Http请求,抓取网页内容,如果发生错误,重试一次
def get_response_json():
    request_url, headers, proxies = get_request_url_and_headers()
    response = requests.get(request_url, headers=headers, proxies=proxies)
    # print(response.text.encode("utf-8").decode("unicode_escape"))
    response_json = json.loads(response.text)
    if response_json["message"] == "error":
        response_json = get_response_json()
    return response_json
# 抓取头条热点新闻数据,存入json备用
def data_to_file():
    data = get_response_json()["data"]
    for i in range(len(data)):
        data_dict = data
        with open("toutiao.json", "a+") as f:
            json.dump(data_dict, f, ensure_ascii=False)
            f.write("\n")
    df = pd.read_json("toutiao.json", lines=True)
    df.to_excel("toutiao.xlsx")
# 抓取热门文章的标签,并存储备用
def get_news_tag():
    df = pd.read_json("toutiao.json", lines=True)
    tags_pure = []
    request_url, headers, proxies = get_request_url_and_headers()
    for i in range(len(df)):
        news_url = "https://www.toutiao.com" + df["source_url"]
        # print(news_url)
        response = requests.get(news_url, headers=headers, proxies=proxies)
        reg = r&#39;"name":".*?"}&#39;
        tags = re.findall(reg, response.text)
        tags_pure_row = []
        if len(tags) <= 0:
            tags_pure.append([])
            continue
        for j in range(len(tags)):
            tags_pure_row.append(tags[j].replace(&#39;"name":"&#39;, &#39;&#39;).replace(&#39;"}&#39;, &#39;&#39;))
        tags_pure.append(tags_pure_row)
    df["tags"] = tags_pure
    df.to_excel("toutiao_with_tags.xlsx")
if __name__ == &#39;__main__&#39;:
    # print(get_request_url_and_headers())
    # print(get_response_html())
    # data_to_file()
    get_news_tag()
</code></pre></p>
实现展示
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则