如何科学的抢红包第二弹

2015-02-15 10:02:52 20 5361 1


0×00 背景

今天拜读了来自IDF实验室的《如何科学的抢红包:年末致富有新招,写个程序抢红包》,自己这段时间正在学习爬虫的相关知识,对scrapy框架有所了解,就在此代码基础上加进了scrapy,利用scrapy对文章中的“0×04 爬取红包列表”进行了重写。

0×01 scrapy框架

Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。

Scrach,是抓取的意思,这个Python的爬虫框架叫Scrapy,大概也是这个意思吧,就叫它:小刮刮吧。

简单的一句话:利用scrapy可以很简单的写出爬虫。

0×02 微博登入、红包可用性检查、指定红包抓取模块

这几个模板我单独放在一个weibo类中,方面后面的scrapy的调用分析

微博登入这块,可以参照http://www.tuicool.com/articles/ziyQFrb 这篇文章,里面很详细的记录了微博登入的全过程

代码copy大牛,并在此基础上进行了简单的修改:使用requests库进行页面的请求。
#-------------------------------------------------------------------------------
# Name:        weibo
# Purpose:
#
# Author:      adrain
#
# Created:     14/02/2015
# Copyright:   (c) adrain 2015
# Licence:     <your licence>
#-------------------------------------------------------------------------------
#!/usr/bin/env python

import sys
import requests
import re
import base64
import urllib
import rsa
import binascii
import os
import json


class weibo():

    def __init__(self):
        reload(sys)
        sys.setdefaultencoding('utf-8&')

    def weibo_login(self,nick,pwd):
        print u'---weibo login----'
        pre_login_url='http://login.sina.com.cn/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=%s&rsakt=mod&checkpin=1&client=ssologin.js(v1.4.15)&_=1400822309846' % nick
        pre_logn_data=requests.get(pre_login_url).text;
        #print pre_logn_data
        servertime=re.findall('"servertime":(.*?),',pre_logn_data)[0]
        pubkey = re.findall('"pubkey":"(.*?)",' , pre_logn_data)[0]
        rsakv = re.findall('"rsakv":"(.*?)",' , pre_logn_data)[0]
        nonce = re.findall('"nonce":"(.*?)",' , pre_logn_data)[0]

        login_url='http://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.4.15)'

        su=base64.b64encode(urllib.quote(self.nick))

        rsaPublickey= int(pubkey,16)
        key = rsa.PublicKey(rsaPublickey,65537)
        message = str(servertime) +'\t' + str(nonce) + '\n' + str(self.pwd)
        sp = binascii.b2a_hex(rsa.encrypt(message,key))

        post_data={
                    'entry': 'weibo',
                    'gateway': '1',
                    'from': '',
                    'savestate': '7',
                    'userticket': '1',
                    'pagereferer':'',
                    'vsnf': '1',
                    'su': su,
                    'servertime': servertime,
                    'nonce': nonce,
                    'pwencode': 'rsa2',
                    'rsakv' : rsakv,
                    'sp': sp,
                    'encoding': 'UTF-8',
                    'url': 'http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack',
                    'returntype': 'META',
                    'ssosimplelogin': '1',
                    'vsnval': '',
                    'service': 'miniblog',
                    }

        header = {'User-Agent' : 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)'}

        login_data=requests.post(login_url,data=post_data,headers=header).text.decode("utf-8").encode("gbk",'ignore')

        try:
            suss_url=re.findall("location.replace\(\'(.*?)\'\);" , login_data)[0]
            login_cookie=requests.get(suss_url).cookies
            return login_cookie
            print '----login success---'
        except Exception,e:
            print '----login error----'
            exit(0)

    def log(self,type,text):
            fp = open(type+'.txt','a')
            fp.write(text)
            fp.write('\r\n')
            fp.close()

    def check(self,id):
        infoUrl='http://huodong.weibo.com/hongbao/'+str(id)
        html=requests.get(infoUrl).text
        if 'action-type="lottery"' in  html or True: #存在抢红包按钮
                    logUrl="http://huodong.weibo.com/aj_hongbao/detailmore?page=1&type=2&_t=0&__rnd=1423744829265&uid="+str(id)
                    param={}
                    header= {
                            'Cache-Control':'no-cache',
                            'Content-Type':'application/x-www-form-urlencoded',
                            'Pragma':'no-cache',
                            'Referer':'http://huodong.weibo.com/hongbao/detail?uid='+str(id),
                            'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.146 BIDUBrowser/6.x Safari/537.36',
                            'X-Requested-With':'XMLHttpRequest'
                            }
                    res=requests.post(logUrl,data=param,headers=header)
                    pMoney=re.compile(r'<span class="money">(\d+?.+?)\xd4\xaa</span>',re.DOTALL) #h获取所有list_info的正则
                    luckyLog=pMoney.findall(html,re.DOTALL)

                    if len(luckyLog)==0:
                            maxMoney=0
                    else:
                            maxMoney=float(luckyLog[0])

                    if maxMoney<10: #记录中最大红包小于设定值
                            print u'-----红包金额太少,不需要抽取-----'
                            return False
        else:
                    print u"---------手慢一步---------"
                    print  "----------......----------"
                    return False
        return True

    def getLucky(self,id):
        print u'-----抽取红包中:'+str(id)+"-----"

        if self.check(id)==False:
            return

        luck_url='http://huodong.weibo.com/aj_hongbao/getlucky'

        lucky_data={'ouid':id,
                    'share':0,
                    '_t':0}

        header= {
                    'Cache-Control':'no-cache',
                    'Content-Type':'application/x-www-form-urlencoded',
                    'Origin':'http://huodong.weibo.com',
                    'Pragma':'no-cache',
                    'Referer':'http://huodong.weibo.com/hongbao/'+str(id),
                    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.146 BIDUBrowser/6.x Safari/537.36',
                    'X-Requested-With':'XMLHttpRequest'
                    }

        cookie=self.weibo_login('xxxx','xxxx')

        res=requests.post(luck_url,data=lucky_data,cookies=cookie).text
        #print res
        res_json=json.loads(res)
        print res_json

        if res_json["code"]=='901114': #今天红包已经抢完
            print u"---------已达上限---------"
            print  "----------......----------"
            self.log('lucky',str(id)+'---'+str(res_json["code"])+'---'+res_json["data"]["title"])
            exit(0)
        elif res_json["code"]=='100000':#成功
            print u"---------恭喜发财---------"
            print  "----------......----------"
            self.log('success',str(id)+'---'+res)
            exit(0)

        if res_json["data"] and res_json["data"]["title"]:
            print res_json["data"]["title"]
            print  "----------......----------"
            self.log('lucky',str(id)+'---'+str(res_json["code"])+'---'+res_json["data"]["title"])
        else:
            print u"---------请求错误---------"
            print  "----------......----------"
            self.log('lucky',str(id)+'---'+res)
里面对是否抓取红包仅仅使用了判断了红包的可用性,并没有将红包的权值放进检查中

写完后,可简单使用一个id进行测试:
wb=weibo()
wb.getLucky(11111111)
0×03 抓取红包链接

首先是使用scrapy创建一个新的工程:
scrapy startproject weibo_spider 
将在目录下创建一个weibo_spider的工程,目录结构为:


由于是刚开始了解scrapy,简单是只是用到了items.py pipelines.py。
items.py说白了就是定义你要抓取那些东西。

比如我们这个就是抓取发红包的url及分析用到的id值,那么该写items文件内容:
# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class WeiboSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    url=scrapy.Field()
    hongbao_id=scrapy.Field()
    pass
后面就是主要爬虫程序的编写,该核心程序放在spiders文件夹下面,运行的时候会运行spiders目录下面的所有py文件

首先把代码贴出来,再慢慢说:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import Selector
from weibo_hongbao.items import WeiboHongbaoItem
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
import re

class weibo_spider(CrawlSpider):

        name='weibo_spider'
        allowed_domains=['weibo.com']
        start_urls=['http://huodong.weibo.com/hongbao/']
        rules=(
                        Rule(SgmlLinkExtractor(allow = (r'http://huodong.weibo.com/hongbao/special_.+?'))),
                        Rule(SgmlLinkExtractor(allow = (r'http://huodong.weibo.com/hongbao/top_.+?'))),
                        Rule(SgmlLinkExtractor(allow = (r'http://huodong.weibo.com/hongbao/cate?type=.+?'))),
                        Rule(SgmlLinkExtractor(allow = (r'http://huodong.weibo.com/hongbao/theme'))),
                        Rule(SgmlLinkExtractor(allow=(r'http://huodong.weibo.com/hongbao/\d+?')), callback="parse_page",follow=True),
                )

        def parse_page(self,response):
                #ids=[]
                sel=Selector(response)
                item=WeiboHongbaoItem()
                try:
                        id=re.findall('hongbao/(\d+)',response.url)[0]
                        item['hongbao_id']=id
                        item['url']=response.url
                except Exception,e:
                        print 'the id is wrong!!'
                return item
前面的import主要是引入scrapy的一些核心库
allowed_domains 允许爬虫爬的domian域

start_urls 爬虫开始的url地址,这里就设置为让红包飞的主页

rules 是设定爬取的url的,allow是允许爬虫的url类型,还有一些拒绝爬行的可参考官方文档。这里前几个allow 用正则匹配处存在发红包的主题列表和排行榜列表,也就是把大神文章中的themeUrl和topUrl放在这里,这里面其实有个默认的参数是follow,默认是开启的,也就是会跟进到这个url页面里面继续爬行。最后一个是要分析的,红包地址都是http://huodong.weibo.com/hongbao/ 数字id,这个后面加了个callback,也就是说爬行这个url返回的数据放进callback函数中进行处理

parse_page函数中的参数response,该参数的属性参考官方文档,很简单。 由于我们只是需要id值放在weibo.getLucky中,直接用到了正则去response.url中进行匹配,直接返回item
到此直接可以抓取到发红包的url,红包的id值,但是直接运行是没有结果的,我们需要用到管道文件pipelines.py把结果展示出来

编写pipelines.py:
from scrapy import signals  
import json  
import codecs
from weibo_hongbao.weibo import weibo

class WeiboHongbaoPipeline(object):
        def __init__(self):
                self.file=codecs.open('weibo.json', 'w', encoding='utf-8')  
        def process_item(self, item, spider):
                wb=weibo()
                wb.getLucky(item['hongbao_id'])
                line = json.dumps(dict(item), ensure_ascii=False) + "\n"  
                self.file.write(line)  
                return item
        def spider_closed(self,spider):
                self.file.close()
每找到一个item就把id号放进weibo中进行获取红包。

最后把所有找到的红包url及id放进了文件中

结果:


抓取到的还是相当多的。

程序运行:

关于作者

jackman15篇文章250篇回复

评论20次

要评论?请先  登录  或  注册