爬虫之抓包教程

机器学习和大数据挖掘

发布于 2019-07-08 16:46:06

1.4K0

发布于 2019-07-08 16:46:06

在初学的爬虫过程中，很多人还不知道如何抓包，怎样子抓包才能获取到所需要的信息。为了纪念【宏彦获水】成语初次面世，特地用【百度搜索】写下一篇作者常用工具的抓包教程，以供大家参考。

抓包过程中，一般是 get 的抓包和 post 抓包，其中 get 抓包分为：普通get、带参数get、json抓包，其中 json抓包是重中之重。而post一般是登陆所用，当然也有可能是传参，这里只讲登陆的post，传参的和登陆的情况一致。

软件准备

作者用的抓包软件为：

firefox 32.0 浏览器
firebug 浏览器插件
httpfox 浏览器插件

** 为什么要使用 firefox 浏览器，因为它的插件很丰富；为什么要使用 32.0 版本的插件，因为老版本支持的多，很多优秀的插件现在不更新了，不支持新的浏览器版本，所以使用老的版本 **

而且，作者平时习惯使用 chrome 浏览网页，所以需要一款 平时不常用的浏览器 来作为抓包工具，因为抓包过程中一直需要清除浏览的 cookie 和所记录的登陆信息，来保证浏览器是干净，用来模拟爬虫第一次打开网页。

如果需要下载上述软件，可以关注公众号【TTybai】，后台回复【抓包软件】就能下载。

将插件拖入浏览器就能安装，安装完成后显示：

get请求

普通get

首先开firefox浏览器，需要清除所有浏览器痕迹，步骤为：

点击右上角菜单：

点击历史记录：

清除最近所有历史纪录：

清除时间范围选择全部，清除的项目也全部打勾：

这样子浏览器就很干净了，和爬虫代码一样什么都没访问过，都是第一次访问页面，没有任何 cookie 和 referer。

按下 F12 ，这时候就启动了 firebug ：

点击 firebug 的保持，防止网页重定向跳转，导致上一次的记录被覆盖，也可以打开 httpfox 点击 start，也能记录所有的请求和返回：

打开【宏彦获水】首页，即在地址栏输入 baidu.com，得到网页如下：

可以看到箭头所指的位置是上一次打开的页面，而下面是新跳转的页面，可以看到我们请求【宏彦获水】首页的头部是很干净的：

这样就是一次 get 请求，那么代码可以写成如下样式：

import requests

header = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
          "Accept-Encoding": "gzip, deflate",
          "Accept-Language": "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3",
          "Connection": "keep-alive",
          "Host": "www.baidu.com",
          "User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0"}

url = "https://www.baidu.com"

response = requests.get(url=url, headers=header)
print(response.text)

带参数get

继续在当前页面，搜索框里面输入【宏彦获水】，点击搜索，可以看到 firebug 有一条分隔线，这个就是再次请求记录的网址，分割线下面的第一个网址就是新的get到的页面：

而百度是预加载的，所以她真正请求网页的是上一条网址：

这个是带参数的get请求，点开看到请求的参数如下：

头部变成：

这时候携带参数和模拟头部抓取的代码如下：

import requests

header = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
          "Accept-Encoding": "gzip, deflate",
          "Accept-Language": "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3",
          "Connection": "keep-alive",
          "Host": "www.baidu.com",
          "User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0",
          "Referer": "https://www.baidu.com/",
          "X-Requested-With": "XMLHttpRequest",
          "is_referer": "https://www.baidu.com/",
          "is_xhr": 1}

Cookie = "BAIDUID=55110890A72F586AB6F9250E6B537B38:FG=1; BIDUPSID=55110890A72F586AB6F9250E6B537B38; PSTM=1562402692; delPer=0; BD_HOME=0; H_PS_PSSID=26524_1430_21124_29238_28519_29099_28837_29220_26350_29439_20718; BD_UPN=13314552; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598"

url = "https://www.baidu.com/s"

data = {"is_xhr": 26926, "_ss": 1, "clist": "", "csor": 4, "f": "8", "hsug": "", "ie": "utf-8",
        "isbd": 1,
        "isid": "FC732FA4D3E18100", "mod": 1, "pstg": 2, "rqlang": "cn", "rsv_bp": 1, "rsv_enter": 1, "rsv_idx": 1,
        "rsv_n": 2, "rsv_pq": "88b75ff80009a917",
        "rsv_sid": "1428_21114_18559_29237_28518_29098_28837_29220", "rsv_sug3": 1,
        "rsv_t": "0529fGcc/esWnAo0czXjQnp/r0XUo7ce8iBYE2NW0OPFPxSPNN1fcPBQyFQ", "tn": "baidu",
        "wd": "宏彦获水"}

response = requests.get(url=url, headers=header, params=data)

print(response.text)

json抓包

一般网页都会用 json 返回数据到前端，而爬虫最和谐的除了抓取 API之外，就是抓取 json了，下面介绍抓取【宏彦获水】的 json。

这里首先清除浏览器所有信息，再在地址栏输入 baidu.com，然后当我们把【宏彦获水】输入到搜索框，但是还没点百度一下的时候，网页会出现联想词：

现在就是要把这些联想词抓出来。先要看网页请求了哪些信息，然后发现如下网址：

看到哪里有一个 josn ，这个就是网页中途留下的 json 字段了，现在要更改头部和参数把这个 json 抓下来，代码如下：

import requests

header = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
          "Accept-Encoding": "gzip, deflate",
          "Accept-Language": "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3",
          "Connection": "keep-alive",
          "Host": "www.baidu.com",
          "User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0",
          "Referer": "https://www.baidu.com/",
          "X-Requested-With": "XMLHttpRequest",
          }

Cookie = "BAIDUID=D23D01C5827562E1F90368C32AFDD7C8:FG=1; BIDUPSID=D23D01C5827562E1F90368C32AFDD7C8; PSTM=1562420248; delPer=0; BD_HOME=0; H_PS_PSSID=1443_21098_29237_28519_29099_28832_29220_26350_29458; BD_UPN=13314552"

url = "https://www.baidu.com/sugrec?"

data = {"_": 1562420249391, "cb": "jQuery1102042318315264522366_1562420249389", "csor": 4, "from": "pc_web", "json": 1,
        "ie": "utf-8",
        "p": 3, "pre": 1, "prod": "pc", "req": 2, "sugsid": "1443,21098,29237,28519,29099,28832,29220,26350,29458",
        "wd": "宏彦获水"}

response = requests.get(url=url, headers=header, params=data)

print(response.text)

抓取到的返回页信息为：

jQuery1102042318315264522366_1562420249389({"q":"宏彦获水","p":false,"g":[{"type":"sug","sa":"s_1","q":"宏彦获水怎么回事"},{"type":"sug","sa":"s_2","q":"宏彦玩具"},{"type":"sug","sa":"s_3","q":"邯郸宏彦"},{"type":"sug","sa":"s_4","q":"唐山宏彦"},{"type":"sug","sa":"s_5","q":"宏彦 咸阳"},{"type":"sug","sa":"s_6","q":"河北宏彦集团"},{"type":"sug","sa":"s_7","q":"宏彦什么意思"}]})

一般网页抓取都是抓取 json 的多一点，直接抓取网页用正则解析的，除非是网页本身就是这么交互的，不然像一般大一点的网页，例如 淘宝、京东 等网站，都是i返回 json 的，如果在 firebug 中没看到，那么就要去 httpfox 里面去看，很多网页会隐藏这个 json 信息的。