寫在前面
題目所說的並不是目的,主要是為了更詳細的了解網站的反爬機制,如果真的想要提高博客的閱讀量,優質的內容必不可少。
了解網站的反爬機制
一般網站從以下幾個方面反爬蟲:
**1. 通過Headers反爬蟲**
從用戶請求的Headers反爬蟲是最常見的反爬蟲策略。很多網站都會對Headers的User-Agent進行檢測,還有一部分網站會對Referer進行檢測(一些資源網站的防盜鏈就是檢測Referer)。
如果遇到了這類反爬蟲機制,可以直接在爬蟲中添加Headers,將瀏覽器的User-Agent復制到爬蟲的Headers中;或者將Referer值修改為目標網站域名。對於檢測Headers的反爬蟲,在爬蟲中修改或者添加Headers就能很好的繞過。
2. 基於用戶行為反爬蟲
還有一部分網站是通過檢測用戶行為,例如同一IP短時間內多次訪問同一頁面,或者同一賬戶短時間內多次進行相同操作。
大多數網站都是前一種情況,對於這種情況,使用IP代理就可以解決。我們可以將代理IP檢測之后保存在文件當中,但這種方法並不可取,代理IP失效的可能性很高,因此從專門的代理IP網站實時抓取,是個不錯的選擇。
對於第二種情況,可以在每次請求后隨機間隔幾秒再進行下一次請求。有些有邏輯漏洞的網站,可以通過請求幾次,退出登錄,重新登錄,繼續請求來繞過同一賬號短時間內不能多次進行相同請求的限制。
還有針對cookies,通過檢查cookies來判斷用戶是否是有效用戶,需要登錄的網站常采用這種技術。更深入一點的還有,某些網站的登錄會動態更新驗證,如推酷登錄時,會隨機分配用於登錄驗證的authenticity_token,authenticity_token會和用戶提交的登錄名和密碼一起發送回服務器。
**3. 基於動態頁面的反爬蟲**
有的時候將目標頁面抓取下來,發現關鍵的信息內容空白一片,只有框架代碼,這是因為該網站的信息是通過用戶Post的XHR動態返回內容信息,解決這種問題的方法就是通過開發者工具(FireBug等)對網站流進行分析,找到單獨的內容信息request(如Json),對內容信息進行抓取,獲取所需內容。
更復雜一點的還有對動態請求加密的,參數無法解析,也就無法進行抓取。這種情況下,可以通過Mechanize,selenium RC,調用瀏覽器內核,就像真實使用瀏覽器上網那樣抓取,可以最大限度的抓取成功,只不過效率上會打些折扣。筆者測試過,用urllib抓取拉勾網招聘信息30頁所需時間為三十多秒,而用模擬瀏覽器內核抓取需要2——3分鍾。
4. 限定某些IP訪問
免費的代理IP可以從很多網站獲取到,既然爬蟲可以利用這些代理IP進行網站抓取,網站也可以利用這些代理IP反向限制,通過抓取這些IP保存在服務器上來限制利用代理IP進行抓取的爬蟲。
進入正題
好了,現在實際操作一下,編寫一個通過代理IP訪問網站的爬蟲。
首先獲取代理IP,用來抓取。
def Get_proxy_ip():
headers = {
'Host': 'www.xicidaili.com',
'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
'Accept': r'application/json, text/javascript, */*; q=0.01',
'Referer': r'http://www.xicidaili.com/',
}
req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers) #發布代理IP的網站
response = request.urlopen(req)
html = response.read().decode('utf-8')
proxy_list = []
ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
port_list = re.findall(r'<td>\d+</td>',html)
for i in range(len(ip_list)):
ip = ip_list[i]
port = re.sub(r'<td>|</td>', '', port_list[i])
proxy = '%s:%s' %(ip,port)
proxy_list.append(proxy)
return proxy_list
順帶一提,有些網站會通過檢查代理IP的真實IP來限制爬蟲抓取。這里就要稍微提一下代理IP的知識。
**代理IP里的“透明”“匿名”“高匿”分別是指?**
透明代理的意思是客戶端根本不需要知道有代理服務器的存在,但是它傳送的仍然是真實的IP。使用透明IP,就無法繞過通過一定時間內IP訪問次數的限制。
普通匿名代理能隱藏客戶機的真實IP,但會改變我們的請求信息,服務器端有可能會認為我們使用了代理。不過使用此種代理時,雖然被訪問的網站不能知道你的ip地址,但仍然可以知道你在使用代理,這樣的IP就會被網站禁止訪問。
高匿名代理不改變客戶機的請求,這樣在服務器看來就像有個真正的客戶瀏覽器在訪問它,這時客戶的真實IP是隱藏的,網站就不會認為我們使用了代理。
綜上所述,爬蟲代理IP最好使用“高匿IP”
user_agent_list包含了目前主流瀏覽器請求的RequestHeaders的user-agent,通過它我們可以模仿各類瀏覽器的請求。
user_agent_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]
通過設定隨機等待時間來訪問網站,可以繞過某些網站對於請求間隔的限制。
def Proxy_read(proxy_list, user_agent_list, i):
proxy_ip = proxy_list[i]
print('當前代理ip:%s'%proxy_ip)
user_agent = random.choice(user_agent_list)
print('當前代理user_agent:%s'%user_agent)
sleep_time = random.randint(1,3)
print('等待時間:%s s' %sleep_time)
time.sleep(sleep_time) #設置隨機等待時間
print('開始獲取')
headers = {
'Host': 's9-im-notify.csdn.net',
'Origin':'http://blog.csdn.net',
'User-Agent': user_agent,
'Accept': r'application/json, text/javascript, */*; q=0.01',
'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
}
proxy_support = request.ProxyHandler({'http':proxy_ip})
opener = request.build_opener(proxy_support)
request.install_opener(opener)
req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
try:
html = request.urlopen(req).read().decode('utf-8')
except Exception as e:
print('******打開失敗!******')
else:
global count
count +=1
print('OK!總計成功%s次!'%count)
以上就是爬蟲使用代理的相關知識點,雖然還很淺顯,但大部分場景是可以應付的了的。
附上源碼
#! /usr/bin/env python3
from urllib import request
import random
import time
import lxml
import re
user_agent_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]
count = 0
def Get_proxy_ip():
headers = {
'Host': 'www.xicidaili.com',
'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
'Accept': r'application/json, text/javascript, */*; q=0.01',
'Referer': r'http://www.xicidaili.com/',
}
req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers)
response = request.urlopen(req)
html = response.read().decode('utf-8')
proxy_list = []
ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
port_list = re.findall(r'<td>\d+</td>',html)
for i in range(len(ip_list)):
ip = ip_list[i]
port = re.sub(r'<td>|</td>', '', port_list[i])
proxy = '%s:%s' %(ip,port)
proxy_list.append(proxy)
return proxy_list
def Proxy_read(proxy_list, user_agent_list, i):
proxy_ip = proxy_list[i]
print('當前代理ip:%s'%proxy_ip)
user_agent = random.choice(user_agent_list)
print('當前代理user_agent:%s'%user_agent)
sleep_time = random.randint(1,3)
print('等待時間:%s s' %sleep_time)
time.sleep(sleep_time)
print('開始獲取')
headers = {
'Host': 's9-im-notify.csdn.net',
'Origin':'http://blog.csdn.net',
'User-Agent': user_agent,
'Accept': r'application/json, text/javascript, */*; q=0.01',
'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
}
proxy_support = request.ProxyHandler({'http':proxy_ip})
opener = request.build_opener(proxy_support)
request.install_opener(opener)
req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
try:
html = request.urlopen(req).read().decode('utf-8')
except Exception as e:
print('******打開失敗!******')
else:
global count
count +=1
print('OK!總計成功%s次!'%count)
if __name__ == '__main__':
proxy_list = Get_proxy_ip()
for i in range(100):
Proxy_read(proxy_list, user_agent_list, i)
由於代理IP的問題,訪問的成功率還是很低,提高訪問成功率的關鍵點在於選擇優質的代理源。這里只做拋磚引玉之用,歡迎交流,轉載請注明出處~ (^ _ ^)/~~
更多python爬蟲實例,請訪問:http://www.landsblog.com/blog/category/pachong