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
  • 05 2019-03
    游戏加速器:玩游戏用什么加速器好?

    玩游戏用什么加速器好?对于这一点,大家是怎么想的呢?可能一发布问题,许多小伙伴都推荐自己的加速器,这么多加速器可以选择,都不知道使用哪个好了。今天小编就来跟大家来聊聊关于

  • 08 2019-05
    免费代理IP的可用率太低了

    免费代理IP的可用率太低了,不过即使低,但冲着“免费”二字,也是有不少的用户,不过市面的免费代理IP类型多种多样,许多知名品牌被自吹自擂得天花乱坠,让客户在选择时想不起该怎样

  • 09 2019-04
    好用的http代理怎么那么难找?

    好用的http代理怎么那么难找?因为现在很多商家使用的都是网络的IP资源,直接全网扫描获取的IP,这IP质量自然是差了。

  • 05 2019-02
    投票使用代理IP可以突破IP限制,能够无限次投票吗?

    投票系统经常会限制我们的IP地址投票次数,比如说一天只能投票一次,或者几次这样。若是想多投票,怎么办呢?别人是怎么刷票的,刷票会被发现吗?

  • 11 2019-03
    代理IP可以伪装本地IP地址,起到保护信息安全的作用

    目前信息资源技术的发展也非常迅速,实际上我们周围的各种环境都在不断变化,但在这些信息技术的发展背后,还存在许多隐患。有时,由于过度开发的信息,很容易出现一些信息泄露的危机

  • 16 2019-04
    代理IP的作用,数据爬取与IP提取知识

    对于代理IP的使用并不是购买过来就可以随便用了,还需要了解代理IP的作用,数据爬取与IP提取知识,这样可以有针对性的使用,效果加倍。