注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册 实名验证

首页 > 新闻资讯 > 学习爬虫攻略之如何应对反爬虫

学习爬虫攻略之如何应对反爬虫

来源:互联网 作者:admin 时间:2019-02-23 17:09:48

爬虫在访问网站的时候,需要带一些信息,比如伪装成为浏览器访问,否则就会被网站限制住,因为网站会根据请求信息来判断来者何人。而且除了这个检测方法外,还设置了其他的一些反爬虫,爬虫应该怎么办呢?我们来学习下学习爬虫攻略之如何应对反爬虫


1.多线程并发抓取

单线程太慢的话,就需要多线程了,虽然说 python 的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。


2.页面解析

对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明。

其次就是解析库了,常用的有两个 lxml 和 BeautifulSoup。

对于这两个库,我的评价是,都是 HTML/XML 的处理库,Beautifulsoup 纯 python 实现,效率低,但是功能实用,比如能用通过结果搜索获得某个 HTML 节点的源码;lxmlC 语言编码,高效,支持 Xpath验证码的处理

对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如 12306,可以通过打码平台进行人工打码,当然这是要付费的。



3.使用代理 IP

在开发爬虫过程中经常会遇到 IP 被封掉的情况,这时就需要用到代理 IP;

在 urllib2 包中有 ProxyHandler 类,通过此类可以设置代理访问网页,如下代码片段:

学习爬虫攻略之如何应对反爬虫

 

4.伪装成浏览器

某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用 urllib2 直接访问网站经常会出现 HTTP Error 403: Forbidden 的情况

对有些 header 要特别留意,Server 端会针对这些 header 做检查

  1. User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request

  2. Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。

这时可以通过修改 http 包中的 header 来实现,代码片段如下

学习爬虫攻略之如何应对反爬虫

 

5.gzip 压缩

有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多 web 服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。

但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。

于是需要这样修改代码:

学习爬虫攻略之如何应对反爬虫

这是关键: 创建 Request 对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据

然后就是解压缩数据:

学习爬虫攻略之如何应对反爬虫


6.Cookies 处理

cookies 是某些网站为了辨别用户身份、进行 session 跟踪而储存在用户本地终端上的数据 (通常经过加密),python 提供了 cookielib 模块用于处理 cookies,cookielib 模块的主要作用是提供可存储 cookie 的对象,以便于与 urllib2 模块配合使用来访问 Internet 资源.代码片段:

学习爬虫攻略之如何应对反爬虫

 关键在于 CookieJar(),它用于管理 HTTP cookie 值、存储 HTTP 请求生成的 cookie、向传出的 HTTP 请求添加 cookie 的对象。整个 cookie 都存储在内存中,对 CookieJar 实例进行垃圾回收后 cookie 也将丢失,所有过程都不需要单独去操作。

手动添加 cookie

学习爬虫攻略之如何应对反爬虫


最新资讯

推荐阅读

  1. 10

    2019-05

    动态ip地址和静态ip的区别

    对于基于TCP/IP协议的局域网,IP地址的管理方式主要有静态分配方式和动态分配方式,还可以根据需要将两种方式结合使用,即混合分配方式。下面我们一起来看看动态ip地址和静态ip的区别吧

  2. 16

    2019-10

    好用的代理ip池有哪些?

    好用的代理ip池有哪些?出于营销或者各种需求,有很多朋友都需要换IP的软件,或者找IP代理,但是这种IP代理有很多,有没有既好用又免费又好用的IP代理池呢,小编今天给大家带干货来了。

  3. 17

    2019-04

    IE如何设置代理隐藏IP

    使用IE浏览器浏览网络,IE浏览器用的是HTTP协议,所以在浏览器上使用的是HTTP代理。打开IE的Internet选项(IE菜单-)工具-〉Internet选项),选择“连接”

  4. 26

    2019-09

    ip代理软件让你放心安全上网

    ip代理软件让你放心安全上网 。如今,在互联网时代下,我们无论在生活上还是工作上都离不开网络。大家都知道,每一台连接了互联网的电脑都有一个唯一的IP地址,就像我们的身份证一样。

  5. 01

    2019-06

    使用代理IP为何访问失败

    在日常的网络工作中,很多网络工作者需要使用到代理IP来辅助完成任务,如比较常见的爬虫工作、营销发帖、网络投票、效果补量等,有是使用第三方工具,有的自己编写代码程序,通过对接A

  6. 17

    2019-05

    如何获取高性价比爬虫代理IP

    国内代理IP和网络爬虫之间的关系用一部电视剧来形容最为恰当,这部电视剧就是大家耳熟能详的“潜伏”,利用高度机密的身份打入敌人内部获取情报。国内代理IP就相当于地下党余则成的一