Python爬虫：设置Cookie解决网站拦截并爬取蚂蚁短租

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： Eastmount

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

我们在编写Python爬虫时，有时会遇到网站拒绝访问等反爬手段，比如这么我们想爬取蚂蚁短租数据，它则会提示“当前访问疑似黑客攻击，已被网站管理员设置为拦截”提示，如下图所示。此时我们需要采用设置Cookie来进行爬取，下面我们进行详细介绍。非常感谢我的学生承峰提供的思想，后浪推前浪啊！

一. 网站分析与爬虫拦截

当我们打开蚂蚁短租搜索贵阳市，反馈如下图所示结果。我们可以看到短租房信息呈现一定规律分布，如下图所示，这也是我们要爬取的信息。

通过浏览器审查元素，我们可以看到需要爬取每条租房信息都位于<dd></dd>节点下。在定位房屋名称，如下图所示，位于<div class="room-detail clearfloat"></div>节点下。

接下来我们写个简单的BeautifulSoup进行爬取。

 # -*- coding: utf-8 -*-

 import urllib

 import re

 from bs4 import BeautifulSoup

 import codecs

 url = 'http://www.mayi.com/guiyang/?map=no'

 response=urllib.urlopen(url)

 contents = response.read()

 soup = BeautifulSoup(contents, "html.parser")

 print soup.title

 print soup

 #短租房名称

 for tag in soup.find_all('dd'):

     for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

         fname = name.find('p').get_text()

         print u'[短租房名称]', fname.replace('\n','').strip()

但很遗憾，报错了，说明蚂蚁金服防范措施还是挺到位的。

二. 设置Cookie的BeautifulSoup爬虫

添加消息头的代码如下所示，这里先给出代码和结果，再教大家如何获取Cookie。

 # -*- coding: utf-8 -*-

 import urllib2

 import re

 from bs4 import BeautifulSoup

 #爬虫函数

 def gydzf(url):

     user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"

     headers={"User-Agent":user_agent}

     request=urllib2.Request(url,headers=headers)

     response=urllib2.urlopen(request)

     contents = response.read()

     soup = BeautifulSoup(contents, "html.parser")

     for tag in soup.find_all('dd'):

         #短租房名称

         for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

             fname = name.find('p').get_text()

             print u'[短租房名称]', fname.replace('\n','').strip()

         #短租房价格

         for price in tag.find_all(attrs={"class":"moy-b"}):

             string = price.find('p').get_text()

             fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)

             fprice = fprice[0:5]

             print u'[短租房价格]', fprice.replace('\n','').strip()

             #评分及评论人数

             for score in name.find('ul'):

                 fscore = name.find('ul').get_text()

             print u'[短租房评分/评论/居住人数]', fscore.replace('\n','').strip()

             #网页链接url

             url_dzf = tag.find(attrs={"target":"_blank"})

             urls = url_dzf.attrs['href']

             print u'[网页链接]', urls.replace('\n','').strip()

             urlss = 'http://www.mayi.com' + urls + ''

             print urlss

 #主函数

 if __name__ == '__main__':

     i = 1

     while i<10:

         print u'页码', i

         url = 'http://www.mayi.com/guiyang/' + str(i) + '/?map=no'

         gydzf(url)

         i = i+1

     else:

         print u"结束"

输出结果如下图所示：

 页码 1

 [短租房名称] 大唐东原财富广场--城市简约复式民宿

 [短租房价格] 298

 [短租房评分/评论/居住人数] 5.0分·5条评论·二居·可住3人

 [网页链接] /room/851634765

 http://www.mayi.com/room/851634765

 [短租房名称] 大唐东原财富广场--清新柠檬复式民宿

 [短租房价格] 568

 [短租房评分/评论/居住人数] 2条评论·三居·可住6人

 [网页链接] /room/851634467

 http://www.mayi.com/room/851634467

 ...

 页码 9

 [短租房名称] 【高铁北站公园旁】美式风情+超大舒适安逸

 [短租房价格] 366

 [短租房评分/评论/居住人数] 3条评论·二居·可住5人

 [网页链接] /room/851018852

 http://www.mayi.com/room/851018852

 [短租房名称] 大营坡（中大国际购物中心附近）北欧小清新三室

 [短租房价格] 298

 [短租房评分/评论/居住人数] 三居·可住6人

 [网页链接] /room/851647045

 http://www.mayi.com/room/851647045

接下来我们想获取详细信息

这里作者主要是提供分析Cookie的方法，使用浏览器打开网页，右键“检查”，然后再刷新网页。在“NetWork”中找到网页并点击，在弹出来的Headers中就隐藏这这些信息。

最常见的两个参数是Cookie和User-Agent，如下图所示：

然后在Python代码中设置这些参数，再调用Urllib2.Request()提交请求即可，核心代码如下：

   user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) ... Chrome/61.0.3163.100 Safari/537.36"

   cookie="mediav=%7B%22eid%22%3A%22387123...b3574ef2-21b9-11e8-b39c-1bc4029c43b8"

   headers={"User-Agent":user_agent,"Cookie":cookie}

   request=urllib2.Request(url,headers=headers)

   response=urllib2.urlopen(request)

   contents = response.read()

   soup = BeautifulSoup(contents, "html.parser")

   for tag1 in soup.find_all(attrs={"class":"main"}):

注意，每小时Cookie会更新一次，我们需要手动修改Cookie值即可，就是上面代码的cookie变量和user_agent变量。完整代码如下所示：

 import urllib2

 import re

 from bs4 import BeautifulSoup

 import codecs

 import csv

 c = open("ycf.csv","wb") #write 写

 c.write(codecs.BOM_UTF8)

 writer = csv.writer(c)

 writer.writerow(["短租房名称","地址","价格","评分","可住人数","人均价格"])

 #爬取详细信息

 def getInfo(url,fname,fprice,fscore,users):

     #通过浏览器开发者模式查看访问使用的user_agent及cookie设置访问头（headers）避免反爬虫,且每隔一段时间运行要根据开发者中的cookie更改代码中的cookie

     user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"

     cookie="mediav=%7B%22eid%22%3A%22387123%22eb7; mayi_uuid=1582009990674274976491; sid=42200298656434922.85.130.130"

     headers={"User-Agent":user_agent,"Cookie":cookie}

     request=urllib2.Request(url,headers=headers)

     response=urllib2.urlopen(request)

     contents = response.read()

     soup = BeautifulSoup(contents, "html.parser")

     #短租房地址

     for tag1 in soup.find_all(attrs={"class":"main"}):

         print u'短租房地址:'

         for tag2 in tag1.find_all(attrs={"class":"desWord"}):

             address = tag2.find('p').get_text()

             print address

     #可住人数

         print u'可住人数:'

         for tag4 in tag1.find_all(attrs={"class":"w258"}):

             yy = tag4.find('span').get_text()

             print yy

         fname = fname.encode("utf-8")

         address = address.encode("utf-8")

         fprice = fprice.encode("utf-8")

         fscore = fscore.encode("utf-8")

         fpeople = yy[2:3].encode("utf-8")

         ones = int(float(fprice))/int(float(fpeople))

         #存储至本地

         writer.writerow([fname,address,fprice,fscore,fpeople,ones])

 #爬虫函数

 def gydzf(url):

     user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"

     headers={"User-Agent":user_agent}

     request=urllib2.Request(url,headers=headers)

     response=urllib2.urlopen(request)

     contents = response.read()

     soup = BeautifulSoup(contents, "html.parser")

     for tag in soup.find_all('dd'):

     #短租房名称

         for name in tag.find_all(attrs={"class":"room-detail clearfloat"}):

             fname = name.find('p').get_text()

             print u'[短租房名称]', fname.replace('\n','').strip()

     #短租房价格

         for price in tag.find_all(attrs={"class":"moy-b"}):

             string = price.find('p').get_text()

             fprice = re.sub("[￥]+".decode("utf8"), "".decode("utf8"),string)

             fprice = fprice[0:5]

             print u'[短租房价格]', fprice.replace('\n','').strip()

     #评分及评论人数

             for score in name.find('ul'):

                 fscore = name.find('ul').get_text()

             print u'[短租房评分/评论/居住人数]', fscore.replace('\n','').strip()

    #网页链接url

             url_dzf = tag.find(attrs={"target":"_blank"})

             urls = url_dzf.attrs['href']

             print u'[网页链接]', urls.replace('\n','').strip()

             urlss = 'http://www.mayi.com' + urls + ''

             print urlss

             getInfo(urlss,fname,fprice,fscore,user_agent)

 #主函数

 if __name__ == '__main__':

     i = 0

     while i<33:

         print u'页码', (i+1)

         if(i==0):

             url = 'http://www.mayi.com/guiyang/?map=no'

         if(i>0):

             num = i+2 #除了第一页是空的，第二页开始按2顺序递增

             url = 'http://www.mayi.com/guiyang/' + str(num) + '/?map=no'

         gydzf(url)

         i=i+1

 c.close()

输出结果如下，存储本地CSV文件：

同时，大家可以尝试Selenium爬取蚂蚁短租，应该也是可行的方法。最后希望文章对您有所帮助，如果存在不足之处，请海涵~