分享两个有趣的爬虫：百度贴吧和百度翻译

水深无声 2022-01-27 17:03 316阅读 0赞

本文首发于我的微信公众号：月小水长

原文地址：[https://mp.weixin.qq.com/s/uehzjUl8QEaQHtCx4o4BXg][https_mp.weixin.qq.com_s_uehzjUl8QEaQHtCx4o4BXg]

## 百度翻译爬虫 ##

程序跑起来的效果是这样的，

![在这里插入图片描述][20190527134731708.gif]

自动翻译，而且支持中英文互译

在调试代码的过程中，我发现百度翻译的加密参数和谷歌翻译差不多，我以前也写过一篇有关谷歌翻译的文章，感兴趣的同学可以看看：

更让我大跌眼镜的是，不仅如此，百度翻译的加密函数也是抄袭谷歌翻译的。。。

不展开说了，今天主要借破解百度翻译的两个参数：签名 sign 和 通证 token, 来谈谈爬虫编码的一般思路。

假如我们要想爬取百度翻译，第一步当然是打开百度翻译的网页，按F12打开开发人员工具。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70]

切换到`NetWork`标签下，选择查看的返回文件类型为`All`,  
先清除之前的痕迹,方法是点击红色圆点右边第一个图标。

然后点击蓝色的`翻译`按钮，这时候，就可以看到有许多响应了  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 1]  
有个搜索按钮(用小红色矩形框出来的）,输入搜索特定的响应文件

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 2]

同时我们注意到还有一个类似放大镜的图标，它也是一个搜索按钮:

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 3]

点击这个搜索按钮,输入关键词,它搜索的是所有相应文件里的Response

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 4]

搜索`translate`关键词,我们可以看到有一条搜索结果

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 5]

点击这条结果

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 6]

可以看到，浏览器帮我们定位到这个关键词所在的响应文件了,它是v2transapi  
更多响应信息可以看右边的Response或者Preview标签页,  
其实这个我们搜的这个关键词就是网页中显示的我们输入的`翻译`的翻译结果  
不行你可以多信几次，这里要注意的一点是最好不要输中文关键词,因为响应文件中中文是`\\u4f8b\\u53e5\\u5e93`这样的Unicode字符存在的,显示的浏览器肯定做了转化解析，不知道为什么开发者工具没有做转化,可能google以后会改进吧，至少到2018//11/28Chrome还没有。

然后切换到Headers标签页

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 7]

看请求的网址是什么，需要哪些参数，如果有些变化的参数不知道怎么构造，可以以这个参数作为关键词再搜响应文件。  
最后就是编码了，上面的准备工作做得这么好，还怕什么编码呢？  
Data只需要添加：

query,  
    simple_means_flag,  
    sign,  
    token

即可。  
其中simple\_means\_flag为固定量，query代表待翻译的词，接下来需要解决的就是破解sign和token这两个参数。先说token吧，token可以直接在百度翻译主页的源码里找到：

但是貌似因为时间戳不同步所以直接请求百度翻译的主页获取到的token是用不了的，所以

self.session = requests.Session()
    # Chrome : 设置-->高级-->内容设置-->cookie-->查看所有cookie和网站数据-->baidu.com的cookie
    self.session.cookies.set('BAIDUID', '19288887A223954909730262637D1DEB:FG=1;'
    self.session.cookies.set('PSTM', '%d;' % int(time.time()))

接下来再说说sign，sign是由一段js代码产生的，如下图所示(index\_9b62d56.js中)：

在python中用execjs执行这段js代码即可获得我们所需要的sign值，计算sign值的过程中需要用到一个名为gtk的变量的值，直接请求百度翻译的主页即可获取该值：

于是我们就可以愉快地写代码实现百度翻译的内容爬取功能了。具体操作看代码吧，破解过程也挺复杂的。

所有代码地址：[https://github.com/Python3Spiders/BaiduSpider/tree/master/baidu\_translation][https_github.com_Python3Spiders_BaiduSpider_tree_master_baidu_translation]

## 百度贴吧爬虫 ##

百度贴吧爬虫

程序跑起来的效果如下，

![在这里插入图片描述][20190527135118181.gif]

可以下载指定贴吧的图片，首先将下主要的技术思路。

由于我们要请求多个页面，而且浏览图片必须要登陆后，一种笨拙的方法是先登陆百度账号，获取 cookies ，访问其他页面获取图片链接时在 headers 中携带这些 cookies，但是这样无疑添加了代码量，其实 requests 库帮我们封装好了一个 seesion 对象，requests 库的 session 会话对象可以跨请求保持某些参数，一旦使用 session 成功地登录了某个网站，再次使用该 session 对象请求该网站的其他网页都会默认使用该 session 之前使用的 cookies 等参数。

而 session 的 api 也很简单，几乎和 requests 一模一样。比如它的 post 方法。

session.post(url=url, data=ldata, headers=headers)

再说说这个百度账号登陆接口的破解，其实破解流程和上面百度翻译类似，不再赘述，说说它的各个参数的含义吧。

data = {
    'username': USER_NAME,
    'password': PASSWORD,
    'tpl': 'tb',
    'u': 'https://tieba.baidu.com/index.html?traceid=#',
    'staticpage': 'https://passport.baidu.com/static/passpc-account/html/v3Jump.html',
    'isPhone': 'false',
    'charset': 'utf-8',
    'callback': 'parent.bd__pcbs__3rjsif'
    }

username 和 password 自然不必说，账号和密码，其中密码在 Chrome 上调试发现 ‘password’ 是加密的，一直没有找到加密的算法，后来直接尝试不加密 post，居然成功了，估计这个加密只是防止在 Chrome 中直接看到密码，post 的时候接口后台会自动加密的。

tpl：tb 表明我们是从贴（t)吧（b)登录百度账号的，如果是从百度账号中心，则是 pp（passport)。

callback：是接口 post 成功的回调。

## 两件事 ##

第一件事，是有关本公众号的运营，我正式开始运营这个公众号的时间是今年初，一直坚持做原创分享，经常有粉丝后台留言催更和帮我举报抄袭者，这点由衷地感动，目前也有上千个粉丝了，达到了开通流量主的门槛，说直白点，就是可以赚钱了，只要你动动手指，点击文章中的 ad, 但是我承诺，会以各种形式返还给亲爱的粉丝们，比如在交流群发红包，定期送书，我也不靠这点钱发家致富，我还是个在校学生，主要是想结识一群志同道合的朋友。回复 ” 社群 ”即可加入群聊。同时，欢迎将本公众号推荐给您身边的朋友，在此谢过了。

第二件事，我最近在创建了一个开源组织，Python3Spiders，主要是一些原创爬虫，和在爬取数据上的数据分析项目集合，全部开源，欢迎小伙伴们一起加入这个组织，可以 star,也可以成为这个组织的开发者和贡献者（在 issue s上提交留下你的足迹即可）。组织地址： [https://github.com/Python3Spiders][https_github.com_Python3Spiders]

![在这里插入图片描述][20190527135137429.gif]

[https_mp.weixin.qq.com_s_uehzjUl8QEaQHtCx4o4BXg]: https://mp.weixin.qq.com/s/uehzjUl8QEaQHtCx4o4BXg
[20190527134731708.gif]: /images/20220127/5c29425fbf6e46afa180eefef55d53dd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70]: /images/20220127/fa3f4ae0865143a384e17f728097a58e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 1]: /images/20220127/5d1fc034ef6c4ed590888e85f882c6a7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 2]: /images/20220127/07b7753e420144f2bd59a155013065f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 3]: /images/20220127/56cfee05ab6e4602ba12e2eddffafa7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 4]: /images/20220127/0f9a99183aa649a3a1724659c23b9b7b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 5]: /images/20220127/c421d65d55684d33bdf2c4cb1f9e30cf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 6]: /images/20220127/9e54cb29595b47be992c92691dbe8f97.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70 7]: /images/20220127/0cfb3c26cdfe4f959c861609fe98adcf.png
[https_github.com_Python3Spiders_BaiduSpider_tree_master_baidu_translation]: https://github.com/Python3Spiders/BaiduSpider/tree/master/baidu_translation
[20190527135118181.gif]: /images/20220127/de1762a4f1dd4155b0d5e8f81a6c8600.png
[https_github.com_Python3Spiders]: https://github.com/Python3Spiders
[20190527135137429.gif]: /images/20220127/6591e71b60ba4dff91f6a0f586a3e6bf.png