Python 爬虫实战—盘搜搜
近期公司给了个任务:根据关键搜索百度网盘共享文件并下载。
琢磨了几天写下了一段简单的demo代码,后期优化没有处理。
主要的思路:(1)根据关键字爬取盘搜搜的相关信息
(2)解析并获取盘搜搜跳转到百度网盘的URL地址
(3)解析百度网盘获取真实下载URL然后下载文件
本来下了一段ip代理处理的, 可惜免费爬取的IP时效性差基本上用不了,所以下面给出的是没有ip代理demo
然而没有ip代理处理的话, 下载不到几个文件ip就被封了。所以下面的代码仅供学习。
# -*- coding=utf-8 -*-
import random
import time
import requests
import os
import re
import urllib
import json
import string
import threading
from lxml import etree
from urllib import request, parse def get_UserAgent():
'''
返回一个随机的请求头 headers
'''
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]
UserAgent = random.choice(USER_AGENTS)
headers = {'User-Agent': UserAgent}
return headers def filterType(filename):
'''
返回文件类型
'''
filter_type = ['.zip', '.pdf', '.doc', '.docx',
'.xls', '.xlsx', '.png', '.img', '.rar', '.txt']
IsExist = ''
if filename != '':
for item in filter_type:
if filename.find(item) != -1:
IsExist = item
break
return IsExist def save_file(downloadUrl, saveFilePath):
'''
文件下载1
'''
print('文件开始下载并保存...')
try:
header_dict = get_UserAgent()
with requests.get(downloadUrl, headers=header_dict, timeout=6, stream=True) as web:
print(web.status_code)
# 为保险起见使用二进制写文件模式,防止编码错误
with open(saveFilePath, 'wb') as outfile:
for chunk in web.iter_content(chunk_size=1024):
outfile.write(chunk)
print('文件下载完成...')
except Exception as ex:
print(ex) def save_file_retrieve(downloadUrl, saveFileName):
'''''
文件下载2
'''
local = os.path.join('D://downLoad//', saveFileName)
request.urlretrieve(downloadUrl, local, Schedule) def Schedule(a, b, c):
'''''
a:已经下载的数据块
b:数据块的大小
c:远程文件的大小
'''
per = 100.0 * a * b / c
if per > 100:
per = 100
print('%.2f%%' % per) def get_file(downloadUrl, saveFilePath):
'''
文件下载3
'''
try:
u = request.urlopen(downloadUrl)
print('文件开始下载并保存...')
block_sz = 8192
with open(saveFilePath, 'wb') as f:
while True:
buffer = u.read(block_sz)
if buffer:
f.write(buffer)
else:
break
print('文件下载完成...')
except urllib.error.HTTPError:
# 碰到了匹配但不存在的文件时,提示并返回
print(downloadUrl, "url file not found")
except IOError:
print(IOError.message) def getAll_contentForJs(html, re_str):
'''
获取js里面yunData数据,返回yunData字符串
html: html代码
re_str: 正则表达式
'''
#res_str = r'yunData.setData\({(.*?)}\)'
my_js = re.findall(re_str, html, re.S | re.M)
jsData = my_js
return jsData def getAll_contentFosXpath(html, myxpath):
'''
获取页面上指定内容
html: html代码
myxpath: xpath语法
'''
myHtml = etree.HTML(html)
mydata = myHtml.xpath(myxpath)
return mydata def get_postUrl(Jsparams):
'''
拼接请求百度网盘真实下载地址post的url地址
'''
urlstr = 'https://pan.baidu.com/api/sharedownload?'
params = json.loads(Jsparams)
urlstr += 'sign=' + str(params.get('sign')) + ''
urlstr += '×tamp=' + str(params.get('timestamp')) + ''
urlstr += '&bdstoken=' + str(params.get('bdstoken')) + ''
urlstr += '&channel=chunlei'
urlstr += '&clienttype=0'
urlstr += '&web=1'
urlstr += '&app_id=250528'
return urlstr def get_postData(Jsparams):
'''
拼接请求百度网盘真实下载地址post的请求参数
'''
postdata = {}
params = json.loads(Jsparams)
postdata["encrypt"] = 0
postdata["product"] = "share"
postdata["uk"] = str(params.get("uk"))
postdata["primaryid"] = str(params.get("shareid"))
postdata["fid_list"] = "[" + \
str(params['file_list']['list'][0].get('fs_id')) + "]"
return postdata def get_downLoad(Jsparams):
'''
发送post请求获取真实下载地址
'''
print('发送post请求获取真实下载路径...')
try:
header_dict = get_UserAgent()
params = parse.urlencode(get_postData(
Jsparams)).encode(encoding='UTF8')
req = request.Request(url=get_postUrl(Jsparams),
data=params, headers=header_dict, method="POST")
resp = request.urlopen(req)
resp = resp.read().decode(encoding='utf-8')
return resp
except Exception as ex:
print(ex) def get_html(urlLink, headers):
'''
获取页面代码html, 同IP多次请求会出现超时现象。
'''
try:
response = requests.get(
url=urlLink, headers=headers, timeout=60)
response.encoding = response.apparent_encoding
if response.status_code == 200:
return response.text
except urllib.request.URLError as e:
print('URLError! The bad Msg is %s' % e)
return None
except urllib.request.HTTPError as e:
print('HTTPError! The bad Msg is %s' % e)
return None
except Exception as e:
print('Unknown Errors! The bad Msg is %s ' % e)
return None def get_redirects(urlLink, headers):
try:
response = requests.get(
url=urlLink, headers=headers, timeout=60, allow_redirects=False)
return response.headers['Location']
except urllib.request.URLError as e:
print('URLError! The bad Msg is %s' % e)
return None
except urllib.request.HTTPError as e:
print('HTTPError! The bad Msg is %s' % e)
return None
except Exception as e:
print('Unknown Errors! The bad Msg is %s ' % e)
return None def baiDuShare(bdUrl):
try:
print('解析盘搜搜详情页')
header_dict = get_UserAgent()
shareHtml = get_html(bdUrl, header_dict)
if shareHtml != None:
'''
解析网站数据获取百度网盘共享文件URL
'''
# 共享文件名称
share_file = getAll_contentFosXpath(
shareHtml, '//*[@id="con"]/div/div[1]/h1')
fileName = share_file[0].text
# 共享文件大小
share_size = getAll_contentForJs(
shareHtml, '<dd>文件大小:(.*?)MB</dd>')
# 百度网盘共享地址
share_link = getAll_contentForJs(
shareHtml, 'a=go&url=(.*?)&t=')
share_url = 'http://to.pansoso.com/?a=to&url=' + \
share_link[0]
panRedirects = get_redirects(share_url, header_dict)
if panRedirects != None:
# 获取文件对应类型
print(panRedirects)
print(fileName)
FirtHtml = get_html(panRedirects, header_dict)
share_type = filterType(fileName)
MyJS = getAll_contentForJs(
FirtHtml, r'yunData.setData\({(.*?)}\)')
StrMyJS = '{' + MyJS[0] + '}'
DownLink = json.loads(get_downLoad(StrMyJS))
print(DownLink['list'][0].get('dlink'))
save_file(DownLink['list'][0].get('dlink'),
'D://downLoad//' + str(fileName).replace(share_type, '') + share_type) # 有些文件后缀不在标题的最后,所以将它替换为空再在最后加上文件后缀
else:
print('百度共享盘解析失败')
else:
print('盘搜搜详情页失败')
except Exception as e:
print('Unknown Errors! The bad Msg is %s ' % e)
return None if __name__ == '__main__':
headers = get_UserAgent() # 定制请求头
targeturl = 'http://www.pansoso.com'
headers["Host"] = "www.pansoso.com"
headers["Accept-Language"] = "zh-CN,zh;q=0.9"
searchStr = input('请输入关键字:')
searchUrl = 'http://www.pansoso.com/zh/%s' % searchStr
searchUrl = request.quote(searchUrl, safe=string.printable)
print('开始搜索【%s】网盘共享: %s' % (searchStr, searchUrl))
try:
time.sleep(random.random() * 10)
panSosoHtml = get_html(searchUrl, headers)
if panSosoHtml != None:
panSosoTitle = getAll_contentFosXpath(
panSosoHtml, '//div[@id="content"]/div[@class="pss"]/h2/a')
baiduthreads = []
for titleItem in panSosoTitle:
# 筛选出文件类型以及关键字匹配的 共享文件
if filterType(titleItem.text) != '' and str(titleItem.text).find(searchStr) != -1:
print(targeturl + titleItem.attrib['href'])
Urlparam = targeturl + titleItem.attrib['href']
t = threading.Thread(
target=baiDuShare, args=(Urlparam,))
baiduthreads.append(t)
for s in baiduthreads: # 开启多线程爬取
s.start()
time.sleep(random.random() * 10)
for e in baiduthreads: # 等待所有线程结束
e.join()
else:
print('请求失败')
except Exception as e:
print('Unknown Errors! The bad Msg is %s ' % e)
Python 爬虫实战—盘搜搜的更多相关文章
- 《精通Python网络爬虫》|百度网盘免费下载|Python爬虫实战
<精通Python网络爬虫>|百度网盘免费下载|Python爬虫实战 提取码:7wr5 内容简介 为什么写这本书 网络爬虫其实很早就出现了,最开始网络爬虫主要应用在各种搜索引擎中.在搜索引 ...
- 【图文详解】python爬虫实战——5分钟做个图片自动下载器
python爬虫实战——图片自动下载器 之前介绍了那么多基本知识[Python爬虫]入门知识,(没看的先去看!!)大家也估计手痒了.想要实际做个小东西来看看,毕竟: talk is cheap sho ...
- Python爬虫实战(4):豆瓣小组话题数据采集—动态网页
1, 引言 注释:上一篇<Python爬虫实战(3):安居客房产经纪人信息采集>,访问的网页是静态网页,有朋友模仿那个实战来采集动态加载豆瓣小组的网页,结果不成功.本篇是针对动态网页的数据 ...
- Python爬虫实战(2):爬取京东商品列表
1,引言 在上一篇<Python爬虫实战:爬取Drupal论坛帖子列表>,爬取了一个用Drupal做的论坛,是静态页面,抓取比较容易,即使直接解析html源文件都可以抓取到需要的内容.相反 ...
- python爬虫实战——5分钟做个图片自动下载器
python爬虫实战——图片自动下载器 制作爬虫的基本步骤 顺便通过这个小例子,可以掌握一些有关制作爬虫的基本的步骤. 一般来说,制作一个爬虫需要分以下几个步骤: 分析需求(对,需求分析非常重要, ...
- Python爬虫实战四之抓取淘宝MM照片
原文:Python爬虫实战四之抓取淘宝MM照片其实还有好多,大家可以看 Python爬虫学习系列教程 福利啊福利,本次为大家带来的项目是抓取淘宝MM照片并保存起来,大家有没有很激动呢? 本篇目标 1. ...
- Python爬虫实战---抓取图书馆借阅信息
Python爬虫实战---抓取图书馆借阅信息 原创作品,引用请表明出处:Python爬虫实战---抓取图书馆借阅信息 前段时间在图书馆借了很多书,借得多了就容易忘记每本书的应还日期,老是担心自己会违约 ...
- Python爬虫实战七之计算大学本学期绩点
大家好,本次为大家带来的项目是计算大学本学期绩点.首先说明的是,博主来自山东大学,有属于个人的学生成绩管理系统,需要学号密码才可以登录,不过可能广大读者没有这个学号密码,不能实际进行操作,所以最主要的 ...
- Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺
更新 其实本文的初衷是为了获取淘宝的非匿名旺旺,在淘宝详情页的最下方有相关评论,含有非匿名旺旺号,快一年了淘宝都没有修复这个. 可就在今天,淘宝把所有的账号设置成了匿名显示,SO,获取非匿名旺旺号已经 ...
随机推荐
- 微信小程序及开发工具介绍
http://mp.weixin.qq.com/wiki 这里下载开发者工具
- 微信公众平台开发之基于百度 BAE3.0 的开发环境搭建(采用 Baidu Eclipse)
3.通过 SVN 检入工程 在 bae 上的应用添加部署成功后,如图 7 点击“点击查看”按钮,会打开一个新页面,页面上会打印 “hello world” ,这是因为我们的应用包含有示 ...
- java实现24点游戏代码
import java.util.Arrays;import java.util.Scanner; public class Test07 { public static void main(S ...
- 各种语言使用HTTP Request
1. JAVA String requestContent = "{"id":"1","sort":"des" ...
- 整合Spring框架和Hibernate框架
-------------------siwuxie095 整合 Spring 框架和 Hibernate 框架 1.导 ...
- 单词拆分 I · Word Break
[抄题]: 给出一个字符串s和一个词典,判断字符串s是否可以被空格切分成一个或多个出现在字典中的单词. s = "lintcode" dict = ["lint" ...
- windows常用的cmd网络命令
一.ping 它是用来检查网络是否通畅或者网络连接速度的命令.作为一个生活在网络上的管理员或者黑客来说,ping命令是第一个必须掌握的DOS命令,它所利用的原理是这样的:网络上的机器都有唯一确定的IP ...
- Ubuntu下安装VirtualBox并为其添加USB支持
1.下载VirtualBox软件包和USB支持包 下载网址均为官方网站(可在此查看其使用教程):https://www.virtualbox.org/wiki/Downloads (若下载各平台各版本 ...
- Codeforces 599B. Spongebob and Joke 模拟
B. Spongebob and Joke time limit per test 2 seconds memory limit per test 256 megabytes input standa ...
- 设计规范VS设计创造力,谁更胜一筹?
设计规范和设计创造力哪个更重要?这是一个颇具争议性的话题.如果是3年前问我这个问题我会毫不犹豫的选择设计创造力,毫无疑问,一个好的设计创造力真的是可以让人像打了鸡血一样疯狂. 原来在上大学的时候,我就 ...