本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：Python进阶者
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
python免费学习资料以及群交流解答点击即可加入
CPA之家app推广平台是国内很大的推广平台。该网址的数据信息高达数万条，爬取该网址的信息进行数据的分析。
项目目标
实现将获取到的QQ，导入excel模板，并生成独立的excel文档。
项目分析
反爬措施处理
前期测试时发现，该网站反爬虫处理措施很多，测试到有以下几个：
-
直接使用requests库，在不设置任何header的情况下，网站直接不返回数据。
-
同一个ip连续访问40多次，直接封掉ip，起初我的ip就是这样被封掉的。
为了解决这两个问题，最后经过研究，使用以下方法，可以有效解决。
-
获取正常的 http请求头，并在requests请求时设置这些常规的http请求头。
-
使用 fake_useragent ，产生随机的UserAgent进行访问。
需要的库和网址
1、网址，如下所示：
https://www.cpajia.com/index.php?g=Wap&a=searchua
2、需要用到的库：、、、
项目实现
我们定义get_page方法, 准备url地址和请求头headers,导入对应的库。
import requests
import os
import re
from fake_useragent import UserAgent
from lxml import etree
house_dict = {} #定义一个字典
def get_page(url, page_num):
pass
url = ‘https://www.cpajia.com/index.php?g=Wap&a=search’ #网址
ua = UserAgent(verify_ssl=False) #随机的UserAgent
kv = {
‘User-Agent’: ua.random}
pageList = get_page()
下面介绍一下如何爬取ajax动态加载的网页方法。
翻页时发现它的url并没有改变，无法简单的通过request.get()访问其他页面。据搜索资料，了解到这些网站是通过ajax动态加载技术实现。即可以在不重新加载整个网页的情况下，对网页的某部分进行更新。
通过分析响应请求，模拟响应参数。再通过requests库的request.post()函数去post相对应的参数即可。
具体方法如下：打开开发者工具，快捷键，不行就。
<1>标红的箭头network， 在其中可以看到服务器加载过来的资源。
< 2>标红的框框一个过滤器，你可以按照文件格式筛选。
Headers中的request method 中显示我们使用的是POST方法。而且FROM Data 中有一个参数，PageIndex。
利用Form Data 中的数据，编写一个字典，赋值给requests.post()中的data即可。
接下来就可以正常访问和翻页了！
对网站发生请求
import requests
import os
import re
from fake_useragent import UserAgent
from lxml import etree
def get_page(url, page_num):
pageList = []
for i in range(1, page_num + 1):
formdata = {‘PageIndex’: i}
ua = UserAgent(verify_ssl=False)
kv = {‘User-Agent’: ua.random}
pageList = get_page()
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。