注意: IP精灵代理仅提供国内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。

您好,请登录 没有账号?

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. 11

    2019-05

    ip代理精灵教你反网络爬虫以及解决方案

    做技术的或者是互联网行业的人可能都比较清楚,网络爬虫对于互联网的共享是非常大的,其中有超过一半的流量都是网络爬虫的贡献,如果一个网站不设置发爬虫机制,那就会成为一个透明的

  2. 14

    2019-02

    建立一个ip池的步骤和思路

    在抓取网页信息时,尤其是大量抓取时,某些网站可能会有一些反爬虫的手段。毕竟谁也不想大量的爬虫在自己家横行吧,而且这对网站的运营也是有影响的,甚至会有竞争对手专门收集我们的

  3. 03

    2019-06

    使用免费代理IP安全吗

    很多网民朋友疑惑,使用免费代理IP安全吗?使用后会对自己造成威胁吗?其实大家有这些顾虑是正常的,小编在这里也不推荐使用免费代理IP。一、IP重复率。网络中的免费代理IP看似很多,实

  4. 18

    2019-05

    IP加速器有什么功能

    IP加速器已经发展了很多代产品,刚刚出来的第一代产品仅仅是起到了一个加速游戏的效果,而用户之间的互动可能做得比较少。但是最近这些年为了推广产品,这些IP加速器不断的更新升级,

  5. 17

    2019-09

    使用代理IP的4个优势

    使用代理IP的4个优势。信息化时代,代理IP给人们的生活和工作带来了便捷,那使用代理IP有什么优势呢?今天IP代理精灵就分大家分享下使用代理IP的4个优势

  6. 15

    2019-05

    基于TinyProxy搭建HTTP代理服务器

    一、前言 关于为什么要玩玩HTTP代理就不用我多说了。 二、搭建环境 * Linux laptop 2.6.32-45-generic #100-Ubuntu SMP Wed Nov 14 10:41:11 UTC 2012 i686 GNU/Linux * tinyproxy 1.8.1