摘要：簡單來說就是瀏覽器向服務器表明身份用的。用戶行為主要靠。爬取數據我們的原材料準備好了，開始爬取，可以看見用的是去，池取得隨機配置組成請求。

首先代碼地址奉上
https://github.com/liangyuqi/...

use python to catch the information from ziru（彩蛋見最后）

適合一起剛入門python的同學，我也是萌新，所以代碼可能不是很優雅

爬取思路分析見第五部分

python --version

(mac自帶)

brew install python

pip --version

pip 是 Python 包管理工具，該工具提供了對Python 包的查找、下載、安裝、卸載的功能

curl https://bootstrap.pypa.io/get... -o get-pip.py

sudo python get-pip.py

pip freeze >package.txt

sudo pip install -r package.txt

cd index

chmod a+x ziru_room.py

python ziru_room.py

一般公司都有安全部門，防止大規模的撞庫或者帶寬擠占，那爬取的時候肯定會被攔截，定位然后律師函警告。

所以我覺得一個爬蟲系統最重要的就是反 反爬蟲。

我們先分析一下，一般簡單的反爬蟲什么思路？

用戶請求的Headers，用戶行為，網站目錄和數據加載方式

headers里面主要根據userAgent查重。userAgent 屬性是一個只讀的字符串，聲明了瀏覽器用于 HTTP 請求的用戶代理頭的值。簡單來說就是瀏覽器向服務器”表明身份“用的。

用戶行為主要靠ip。ip的話不用講了，和身份證號差不多，所以我們發起請求應該用動態的，同一ip多次訪問就可能被拉入ip黑名單，而且會導彈定位到你的服務器所在位置。

第三個方式比較高端了，我這次沒有展示。前兩種是爬蟲偽裝成瀏覽器讀取數據，但是第三種是模擬出一個瀏覽器進行用戶點擊提交等操作，它本身就是一個沒有界面的瀏覽器，從填寫表單到點擊按鈕再到滾動頁面，全部都可以模擬。這時候就可以根據一些其它方式，如識別點觸式（12306）或者滑動式的驗證碼。

整理好思路開始實現，我們的目標是實現一個動態的ip和userAgent池，每次請求偽裝成不一樣的來源

step1: 我們去爬取一個開放代理ip的網站。。。然后試試他開放的ip可不可用，可用的話加入我們的ip池。 詳見 代碼 ziru_room.py

    # 經測試可用ip
    usefulIp = []

    # 獲取代理ip地址
    uriGetIp = "http://www.xicidaili.com/wt/"

    # 檢測ip是否可用地址
    testGetIp = "http://icanhazip.com/"

    usefulIp = getUsefulIPList(uriGetIp, testGetIp, userAgent)

"""
獲取可用的ip列表
"""
def getUsefulIPList(uriGetIp, testGetIp, userAgent):
    # 全部代理ip
    allProxys = []

    # 經測試可用ip
    usefulIp = []
    ipList = requests.get(
        uriGetIp, headers={"User-Agent": random.choice(userAgent)})

    ipData = bs4.BeautifulSoup(ipList.text, "html.parser")

    ip = ipData.select("#ip_list > tr > td:nth-of-type(2)")

    port = ipData.select("#ip_list > tr > td:nth-of-type(3)")

    protocol = ipData.select("#ip_list > tr > td:nth-of-type(6)")

    for ip, port, protocol in zip(ip, port, protocol):
        proxy = ip.get_text().strip()+":"+port.get_text().strip()
        allProxys.append(proxy)

    print("正在初始化ip數據池，請耐心等待...")

    process.max_steps = len(allProxys)

    process.process_bar = process.ShowProcess(process.max_steps)

    # 篩選可用ip
    for proxy in allProxys:
        process.process_bar.show_process()
        # time.sleep(0.05)
        try:
            theIp = requests.get(testGetIp,  headers={"User-Agent": random.choice(userAgent)}, proxies={
                "http": proxy}, timeout=1, allow_redirects=False)
        except requests.exceptions.Timeout:
            # print("超過1s")
            continue
        except requests.exceptions.ConnectionError:
            # print("連接異常")
            continue
        except requests.exceptions.HTTPError:
            # print("http異常")
            continue
        except:
            # print("其他錯誤")
            continue
        else:
            if (theIp.status_code == 200 and len(theIp.text) < 20):
                usefulIp.append(proxy)
            #    print(theIp.text)

    print("可用ip池為下："+",".join(usefulIp))
    return usefulIp

step2: 構造userAgent池

  userAgent = ["Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
                 "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
                 "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
                 ]

這個不像ip會經常掛，所以寫死問題不大。

我們的原材料準備好了，開始爬取，可以看見用的是random.choice()去ip，userAgent池取得隨機配置 組成 get請求。詳見 代碼 ziru_room.py

def computedData(usefulIp, userAgent, ipIndex=0):
    # debugger
    # pdb.set_trace()
    fhandle = open("../output/output.txt", "a")  # 追加寫入文件

    # Get請求-并傳遞headers
    try:
        data = requests.get("http://www.ziroom.com/z/nl/z3-r3-o2-s5%E5%8F%B7%E7%BA%BF-t%E5%8C%97%E8%8B%91%E8%B7%AF%E5%8C%97.html",
                            headers={"User-Agent": random.choice(userAgent)}, proxies={"http": random.choice(usefulIp)}, timeout=(3, 7))
        #
        pass
    except:
        print "Error: 請求失敗"
        computedData(usefulIp, userAgent)
        return
        pass
    else:
        roomDate = bs4.BeautifulSoup(data.text, "html.parser")
        # 標題
        title = roomDate.select("#houseList > li > div.txt > h3 > a")
        # 地點 改版沒了////
        # place = roomDate.select("#houseList > li > div.txt > h4 > a")
        # 距離
        distance = roomDate.select(
            "#houseList > li > div.txt > div > p:nth-of-type(2) > span")
        # 價格
        price = roomDate.select("#houseList > li > div.priceDetail > p.price")
        # 面積
        area = roomDate.select(
            "#houseList > li > div.txt > div > p:nth-of-type(1) > span:nth-of-type(1)")
        # 樓層
        floor = roomDate.select(
            "#houseList > li > div.txt > div > p:nth-of-type(1) > span:nth-of-type(2)")
        # 房間配置
        room = roomDate.select(
            "#houseList > li > div.txt > div > p:nth-of-type(1) > span:nth-of-type(3)")
        #
        print("北京市自如數據如下")
        fhandle.write("北京市"+time.strftime("%Y-%m-%d %H:%M:%S",
                                          time.localtime()) + "自如數據如下"+"
")

        for title, price, area, floor, room, distance in zip(title, price, area, floor, room, distance):
            last_data = {
                "名稱": title.get_text().strip(),
                # "地段": place.get_text().strip(),
                "距離": distance.get_text().strip(),
                "價格": price.get_text().replace(" ", "").replace("
", ""),
                "面積": area.get_text().strip(),
                "樓層": floor.get_text().strip(),
                "房間大小": room.get_text().strip()
            }

            fhandle.write("名稱："+title.get_text().strip())
            # fhandle.write("地段："+place.get_text().strip())
            fhandle.write("距離："+distance.get_text().strip())
            fhandle.write(
                "價格："+price.get_text().replace(" ", "").replace("
", ""))
            fhandle.write("面積："+area.get_text().strip())
            fhandle.write("樓層："+floor.get_text().strip())
            fhandle.write("房間大?。?+room.get_text().strip() + "
")

            # print  json.dumps(last_data).decode("unicode-escape")
            # print  json.dumps(last_data,ensure_ascii=False)
            print json.dumps(last_data, encoding="UTF-8", ensure_ascii=False)

        fhandle.write("************************************************"+"
")
        fhandle.close()
        print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))
        pass

因為爬取可用的ip組成ip池，是一個比較耗時的過程，所以加入了圖像化的等待顯示，詳見 代碼 process.py

自動化爬取要有點節操，所以得加入延時，詳見 代碼 ziru_room.py

    while(True):
        computedData(usefulIp, userAgent)
        time.sleep(60)

python 一點其他感觸，寫起來很簡潔，這個換行縮進還有dict對象中文Unicode搞了很久。。。目前和node相比優缺點在哪里還沒有分析好，可以留言探討下。

碼字辛苦，代碼粗糙后續會有優化，點小手star一下謝謝
https://github.com/liangyuqi/...

最后送上彩蛋，這位老哥最后根據github 里qq 找到的我，反反爬蟲不算太失敗吧，爬取的也不是什么關鍵數據，手動滑稽，僅供萌新學習練手