收藏 400-998-9776 转2 服务时间 周一至周日 9:00-23:00 注意:本站不提供境外服务
您的位置:首页 >文章内容
爬虫是如何突破网站的反爬虫机制的
来源:互联网 作者:admin 时间:2019-01-28 17:50:07

    不管是哪个网站,都是设置了反爬虫机制的,否则无法正常的运营,毕竟限制爬虫非常多,整个网络大半的流量都是由它贡献的。这对爬虫来说,可不是什么好事,因为这样大大限制了爬虫的活动,但也不是全部限制住了。今天跟小编去了解下爬虫是如何突破网站的反爬虫机制的。


    其实,爬虫可以伪装成为浏览器,伪装为一个正常的用户使用浏览器去访问目标网站,并顺利的获取到数据,伪装方法:


爬虫是如何突破网站的反爬虫机制的


    1.使用add_header()添加报头


    import urllib.request


    url = "http://blog.csdn.net/hurmishine/article/details/71708030"req = urllib.request.Request(url)


    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36')


    data = urllib.request.urlopen(req).read()


    print(data)


    导入包,定义url地址我们就不说了,我们使用urllib.request.Request(url)创建一个Request对象,并赋值给变量req,创建Request对象的格式:urllib.request.Request(url地址)


    随后我们使用add_header()方法添加对应的报头信息,格式:Request(对象名).add_header(‘对象名’,’对象值’)


    现在我们已经设置好了报头,然后我们使用urlopen()打开该Request对象即可打开对应的网址,多以我们使用


    data = urllib.request.urlopen(req).read()打开了对应的网址,并读取了网页内容,并赋值给data变量。


    2.使用build_opener()修改报头


    由于urlopen()不支持一些HTTP的高级功能,所以我们需要修改报头。可以使用urllib.request.build_opener()进行,我们修改一下上面的代码:


    import urllib.request


    url = "http://blog.csdn.net/hurmishine/article/details/71708030"headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36")


    opener = urllib.request.build_opener()


    opener.addheaders = [headers]


    data = opener.open(url).read()


    print(data)


    上面代码中我们先定义一个变量headers来储存User-Agent信息,定义的格式是(“User-Agent”,具体信息)


    具体信息我们上面已经获取到了,这个信息获取一次即可,以后爬取其他网站也可以用,所以我们可以保存下来,不用每次都F12去找了。


    然后我们用urllib.request.build_opener()创建自定义的opener对象并赋值给opener,然后设置opener的addheaders,就是设置对应的头信息,格式为:“opener(对象名).addheaders = [头信息(即我们储存的具体信息)]”,设置好后我们就可以使用opener对象的open()方法打开对应的网址了。格式:“opener(对象名).open(url地址)”打开后我们可以使用read()方法来读取对应数据,并赋值给data变量。


    综上所述,两种方法都可以实现了爬虫模拟浏览器打开网址,并获取网址的内容信息,避免了403错误,但是在使用的过程中要注意两者方法的区别。


推荐阅读
  • 29 2019-04
    平常都用什么动态ip好?

    平常都用什么动态ip好?这个代理市场也是挺混乱的,很多商家都是说提供免费的,免费的才那么几个,最后都是推花钱的代理IP,大家平常都是使用哪家的?选择商家的理由都有哪些?

  • 25 2019-02
    如何合理的控制爬虫采集速度

    对于爬虫的速度,并不是越快越好的,采集的速度越快,越是容易被发现,也就是说越容易被封。那么如何避免这个问题呢?如何合理的控制爬虫采集速度?

  • 05 2018-12
    使用免费代理IP有什么隐患?安全能保障吗?

    现在用到代理IP的人越来越多,但是谁都不想花钱,于是其中一部分人还是使用免费的代理IP,虽然是免费,但是也有一些不好的方面。那么使用免费代理IP有什么隐患?安全能保障吗?

  • 15 2019-01
    对于局域网限制,使用代理可以全部突破吗

    很多从事互联网工作者而言,使用的基本上都是局域网,有些还被限制了网络的使用,不能访问某某网站,不能登陆某某软件等等。对于局域网限制,大家常用的方法就是使用代理,是可以突破

  • 04 2019-03
    刷单换IP有用吗?刷单换IP软件

    刷单的行为一直都存在的,现在大部分的商家都有不同程度的刷单,不然没有效果。但是呢,这是平台禁止的事情,若是被发现会有一定的惩罚,因此刷单是需要技巧的。

  • 30 2019-01
    上网怎么设置代理ip隐藏自己ip

    我们平时上网,大家有没有发现,如果我们近段时间内经常看某个产品,你就会发现搜索引擎会自动推荐类似的产品给你。就比如,经常刷抖音,看到做菜的视频会关注,这下好了,刷到的大半