9、web爬虫讲解2—urllib库爬虫—实战爬取搜狗微信公众号
【百度云搜索，搜各种资料:http://www.81ad.cn】
封装模块
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
from urllib import request
import json
import random
import re
import urllib.error
def hq_html(hq_url):
"""
hq_html()封装的爬虫函数，自动启用了用户代理和ip代理
接收一个参数url,要爬取页面的url，返回html源码
"""
def yh_dl(): #创建用户代理池
yhdl = [
'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
'User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1',
'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10',
'Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13',
'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+',
'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)',
'UCWEB7.0.2.37/28/999',
'NOKIA5700/ UCWEB7.0.2.37/28/999',
'Openwave/ UCWEB7.0.2.37/28/999',
'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999'
]
thisua = random.choice(yhdl) #随机获取代理信息
headers = ("User-Agent",thisua) #拼接报头信息
opener = urllib.request.build_opener() #创建请求对象
opener.addheaders=[headers] #添加报头到请求对象
urllib.request.install_opener(opener) #将报头信息设置为全局，urlopen()方法请求时也会自动添加报头
def dai_li_ip(hq_url): #创建ip代理池
url = "http://http-webapi.zhimaruanjian.com/getip?num=1&type=2&pro=&city=0&yys=0&port=11&time=1&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=1"
if url:
data = urllib.request.urlopen(url).read().decode("utf-8")
data2 = json.loads(data) # 将字符串还原它本来的数据类型
# print(data2['data'][0])
ip = str(data2['data'][0]['ip'])
dkou = str(data2['data'][0]['port'])
zh_ip = ip + ':' + dkou
pat = "(\w*):\w*"
rst = re.compile(pat).findall(hq_url) #正则匹配获取是http协议还是https协议
rst2 = rst[0]
proxy = urllib.request.ProxyHandler({rst2: zh_ip}) # 格式化IP,注意，第一个参数，请求目标可能是http或者https,对应设置
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler) # 初始化IP
urllib.request.install_opener(opener) # 将代理IP设置成全局,当使用urlopen()请求时自动使用代理IP
else:
pass
#请求
try:
dai_li_ip(hq_url) #执行代理IP函数
yh_dl() #执行用户代理池函数
data = urllib.request.urlopen(hq_url).read().decode("utf-8")
return data
except urllib.error.URLError as e: # 如果出现错误
if hasattr(e, "code"): # 如果有错误代码
# print(e.code) # 打印错误代码
pass
if hasattr(e, "reason"): # 如果有错误信息
# print(e.reason) # 打印错误信息
pass
# a = hq_html('http://www.baid.com/')
# print(a)
实战爬取搜狗微信公众号
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib.request
import fzhpach
import re
#抓取搜狗微信公众号
#http://weixin.sogou.com/weixin?type=1&query=php&page=1
#type=1表示显示公众号
#type=2表示抓取文章
#query=关键词
#page=页码
gjc = '火锅'
gjc = urllib.request.quote(gjc) #将关键词转码成浏览器认识的字符，默认网站不能是中文
url = 'http://weixin.sogou.com/weixin?type=1&query=%s&page=1' %(gjc)
html = fzhpach.hq_html(url) #使用我们封装的爬虫模块
pat = '微信号：<label name="em_weixinhao">(\w*)</label>'
rst = re.compile(pat).findall(html) #正则获取公众号
print(rst)
#返回
#['cqhuoguo1', 'qkmjscj888', 'cdsbcdhs', 'zk4538111', 'lamanannv', 'ctm2813333', 'cslhg2016', 'gh_978a858b478f', 'CCLWL0431', 'yuhehaixian']
抓包教程
首先安装Fiddler4
image
软件界面说明
image
清除请求
image
设置抓包浏览器
image
这样设置好后，这个浏览器访问的网址就会在抓包软件里看到信息了
设置抓取https协议的网站
image
image
导出证书到桌面
image
将证书安装到浏览器
image
可以看到软件已经获取到https网站了
image
疑难问题解决：
有些可能已经按照流程在feiddler中设置好了https抓包，但死活抓不了
（1）首先，看看火狐浏览器的配置，是不是下方“为所有协议使用相同代理”的地方没有勾选上，如果是，请勾选上。
image
有一部分做到这一步应该能解决无法抓https的问题。如果还不行，请继续往下看。
一般这个时候，还不行，应该就是你的证书问题了，有些可能会问，我是按照正常流程导出并安装的证书，也会有问题？
对的，就是这么奇怪。
（2）接下来，请在下面这个地方输入certmgr.msc并回车，打开证书管理。
image
打开后如下所示：
image
请点击操作–查找证书，如下所示：
image
然后输入fiddler查找所有相关证书，如下所示：
image
可以看到，我们找到一个，您可能会找到多个，不要紧，有多少个删多少个，分别右键–删除这些证书，如下所示：
image
全删之后，这一步完成。
（3）再接下来，打开火狐浏览器，进入选项-高级-证书-查看证书，然后找以DO_NOT开头的关于Fiddler的证书，以字母排序的，所以你可以很快找到。如下所示，我们找到两个，不用多说，右键，然后全部依次删除。你可能找到一个或多个，反正找到多少个删多少个就行，另外，特别注意，请如图中【个人、服务器、证书机构、其他】等标签依次查找，以免遗漏，切记切记！
image
这些全删之后，这一步完成，现在证书已经全部清理了，进入下一步。
（4）下载 FiddlerCertMaker.exe，可以去官网找，如不想麻烦，直接下载我提供的，链接如下：
链接: https://pan.baidu.com/s/1bQBhxG 密码: cu85
下载了这个之后，直接打开，不管出现什么错误，直接忽略，直到出现如下界面为止：
image
然后点击确定，关掉它。
（5）有了证书之后，请重启Fiddler（关掉再开），重启之后，访问https的网站，比如淘宝首页，有可能成功了，但你也有可能会发现如下错误：
“你的连接并不安全” 等类似提示
见到这里，你应该开心，离成功近了。
（6）果断的，打开fiddler，“Tools–Fiddler Options–HTTPS”，然后把下图中同样的地方勾上（注意一致），然后点击actions，然后先点击Trust Root…，然后，再点击Export Root…，此时，导出成功的话，在桌面就有你的证书了。务必注意：这一步成功的话，把第（7）步跳过，不要做了，直接进入第（8）步，如失败，请继续第（7步）。
image
（7）务必注意：上一步成功的话，把这一步跳过，不要做了。如果，你在导出的时候出现：creation of the root certificate was not located等错误，不要慌。接下来在cmd命令行中进入Fiddler安装目录，比如我的是C盘，所以进入如下图所示Fiddler2目录，然后直接复制下方make那一行代码，然后直接cmd中运行，出现如下所示succeeded提示，出现这一步提示之后，再按步骤（6）的方法导出证书，就能成功了：
image
makecert.exe -r -ss my -n “CN=DO_NOT_TRUST_FiddlerRoot, O=DO_NOT_TRUST, OU=Created by http://www.fiddler2.com” -sky signature -eku 1.3.6.1.5.5.7.3.1 -h 1 -cy authority -a sha1 -m 120 -b 09/05/2012
（8）好，证书导入到桌面后，请打开火狐浏览器，然后进入选项-高级-证书-查看证书-导入-选择刚导出的桌面的证书-确定。
（9）随后，为了保险，Fiddler重启，火狐浏览器也重启一下，然后开始抓HTTPS的包，此时你会发现“你的连接并不安全” 等类似提示已经消失，并且已经能够抓包了。
