Python3爬蟲實戰(zhàn)mitmdump爬取App電子書信息的操作流程

小編給大家分享一下Python3爬蟲實戰(zhàn)mitmdump爬取App電子書信息的操作流程，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

為江干等地區(qū)用戶提供了全套網(wǎng)頁設(shè)計制作服務(wù)，及江干網(wǎng)站建設(shè)行業(yè)解決方案。主營業(yè)務(wù)為成都網(wǎng)站建設(shè)、成都網(wǎng)站設(shè)計、江干網(wǎng)站設(shè)計，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會得到認(rèn)可，從而選擇與我們長期合作。這樣，我們也可以走得更遠(yuǎn)！

mitmdump 爬取 “得到” App 電子書信息

“得到” App 是羅輯思維出品的一款碎片時間學(xué)習(xí)的 App，其官方網(wǎng)站為 https://www.igetget.com，App 內(nèi)有很多學(xué)習(xí)資源。不過 “得到” App 沒有對應(yīng)的網(wǎng)頁版，所以信息必須要通過 App 才可以獲取。這次我們通過抓取其 App 來練習(xí) mitmdump 的用法。

1. 爬取目標(biāo)

我們的爬取目標(biāo)是 App 內(nèi)電子書版塊的電子書信息，并將信息保存到 MongoDB，如圖 11-30 所示。

我們要把圖書的名稱、簡介、封面、價格爬取下來，不過這次爬取的側(cè)重點還是了解 mitmdump 工具的用法，所以暫不涉及自動化爬取，App 的操作還是手動進(jìn)行。mitmdump 負(fù)責(zé)捕捉響應(yīng)并將數(shù)據(jù)提取保存。

2. 準(zhǔn)備工作

請確保已經(jīng)正確安裝好了 mitmproxy 和 mitmdump，手機(jī)和 PC 處于同一個局域網(wǎng)下，同時配置好了 mitmproxy 的 CA 證書，安裝好 MongoDB 并運(yùn)行其服務(wù)，安裝 PyMongo 庫，具體的配置可以參考第 1 章的說明。

3. 抓取分析

首先探尋一下當(dāng)前頁面的 URL 和返回內(nèi)容，我們編寫一個腳本如下所示：

def response(flow):
    print(flow.request.url)
    print(flow.response.text)

這里只輸出了請求的 URL 和響應(yīng)的 Body 內(nèi)容，也就是請求鏈接和響應(yīng)內(nèi)容這兩個最關(guān)鍵的部分。腳本保存名稱為 script.py。

接下來運(yùn)行 mitmdump，命令如下所示：

mitmdump -s script.py

打開 “得到” App 的電子書頁面，便可以看到 PC 端控制臺有相應(yīng)輸出。接著滑動頁面加載更多電子書，控制臺新出現(xiàn)的輸出內(nèi)容就是 App 發(fā)出的新的加載請求，包含了下一頁的電子書內(nèi)容?？刂婆_輸出結(jié)果示例如圖 11-31 所示。

圖 11-31 控制臺輸出

可以看到 URL 為 https://dedao.igetget.com/v3/discover/bookList 的接口，其后面還加了一個 sign 參數(shù)。通過 URL 的名稱，可以確定這就是獲取電子書列表的接口。在 URL 的下方輸出的是響應(yīng)內(nèi)容，是一個 JSON 格式的字符串，我們將它格式化，如圖 11-32 所示。

圖 11-32 格式化結(jié)果

格式化后的內(nèi)容包含一個 c 字段、一個 list 字段，list 的每個元素都包含價格、標(biāo)題、描述等內(nèi)容。第一個返回結(jié)果是電子書《情人》，而此時 App 的內(nèi)容也是這本電子書，描述的內(nèi)容和價格也是完全匹配的，App 頁面如圖 11-33 所示。

圖 11-33 APP 頁面

這就說明當(dāng)前接口就是獲取電子書信息的接口，我們只需要從這個接口來獲取內(nèi)容就好了。然后解析返回結(jié)果，將結(jié)果保存到數(shù)據(jù)庫。

4. 數(shù)據(jù)抓取

接下來我們需要對接口做過濾限制，抓取如上分析的接口，再提取結(jié)果中的對應(yīng)字段。

這里，我們修改腳本如下所示：

import json
from mitmproxy import ctx
def response(flow):
    url = 'https://dedao.igetget.com/v3/discover/bookList'
    if flow.request.url.startswith(url):
        text = flow.response.text
        data = json.loads(text)
        books = data.get('c').get('list')
        for book in books:
            ctx.log.info(str(book))

重新滑動電子書頁面，在 PC 端控制臺觀察輸出，如圖 11-34 所示。

圖 11-34 控制臺輸出

現(xiàn)在輸出了圖書的全部信息，一本圖書信息對應(yīng)一條 JSON 格式的數(shù)據(jù)。

5. 提取保存

接下來我們需要提取信息，再把信息保存到數(shù)據(jù)庫中。方便起見，我們選擇 MongoDB 數(shù)據(jù)庫。

腳本還可以增加提取信息和保存信息的部分，修改代碼如下所示：

import json
import pymongo
from mitmproxy import ctx
client = pymongo.MongoClient('localhost')
db = client['igetget']
collection = db['books']
def response(flow):
    global collection
    url = 'https://dedao.igetget.com/v3/discover/bookList'
    if flow.request.url.startswith(url):
        text = flow.response.text
        data = json.loads(text)
        books = data.get('c').get('list')
        for book in books:
            data = {'title': book.get('operating_title'),
                'cover': book.get('cover'),
                'summary': book.get('other_share_summary'),
                'price': book.get('price')
            }
            ctx.log.info(str(data))
            collection.insert(data)

重新滑動頁面，控制臺便會輸出信息，如圖 11-35 所示。

圖 11-35 控制臺輸出

現(xiàn)在輸出的每一條內(nèi)容都是經(jīng)過提取之后的內(nèi)容，包含了電子書的標(biāo)題、封面、描述、價格信息。

最開始我們聲明了 MongoDB 的數(shù)據(jù)庫連接，提取出信息之后調(diào)用該對象的 insert() 方法將數(shù)據(jù)插入到數(shù)據(jù)庫即可。

滑動幾頁，發(fā)現(xiàn)所有圖書信息都被保存到 MongoDB 中，如圖 11-36 所示。

目前為止，我們利用一個非常簡單的腳本把 “得到” App 的電子書信息保存下來。

看完了這篇文章，相信你對Python3爬蟲實戰(zhàn)mitmdump爬取App電子書信息的操作流程有了一定的了解，想了解更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！

網(wǎng)站欄目：Python3爬蟲實戰(zhàn)mitmdump爬取App電子書信息的操作流程
網(wǎng)站地址：http://muchs.cn/article8/iegjip.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制開發(fā)、App設(shè)計、域名注冊、做網(wǎng)站、服務(wù)器托管、響應(yīng)式網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)