位置: 编程技术 - 正文

通过Python爬虫代理IP快速增加博客阅读量(python爬虫代码怎么写)

编辑:rootadmin

推荐整理分享通过Python爬虫代理IP快速增加博客阅读量(python爬虫代码怎么写),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫代做,利用python进行爬虫,python爬虫简单代码,python的爬虫代码,python的爬虫代码,py爬虫代码,python爬虫程序代码,利用python爬虫,内容如对您有帮助,希望把文章链接给更多的朋友!

写在前面

题目所说的并不是目的,主要是为了更详细的了解网站的反爬机制,如果真的想要提高博客的阅读量,优质的内容必不可少。

了解网站的反爬机制

一般网站从以下几个方面反爬虫:

1. 通过Headers反爬虫

从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测,还有一部分网站会对Referer进行检测(一些资源网站的防盗链就是检测Referer)。

如果遇到了这类反爬虫机制,可以直接在爬虫中添加Headers,将浏览器的User-Agent复制到爬虫的Headers中;或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫,在爬虫中修改或者添加Headers就能很好的绕过。

2. 基于用户行为反爬虫

还有一部分网站是通过检测用户行为,例如同一IP短时间内多次访问同一页面,或者同一账户短时间内多次进行相同操作。

大多数网站都是前一种情况,对于这种情况,使用IP代理就可以解决。我们可以将代理IP检测之后保存在文件当中,但这种方法并不可取,代理IP失效的可能性很高,因此从专门的代理IP网站实时抓取,是个不错的选择。

对于第二种情况,可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站,可以通过请求几次,退出登录,重新登录,继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。

还有针对cookies,通过检查cookies来判断用户是否是有效用户,需要登录的网站常采用这种技术。更深入一点的还有,某些网站的登录会动态更新验证,如推酷登录时,会随机分配用于登录验证的authenticity_token,authenticity_token会和用户提交的登录名和密码一起发送回服务器。

通过Python爬虫代理IP快速增加博客阅读量(python爬虫代码怎么写)

3. 基于动态页面的反爬虫

有的时候将目标页面抓取下来,发现关键的信息内容空白一片,只有框架代码,这是因为该网站的信息是通过用户Post的XHR动态返回内容信息,解决这种问题的方法就是通过开发者工具(FireBug等)对网站流进行分析,找到单独的内容信息request(如Json),对内容信息进行抓取,获取所需内容。

更复杂一点的还有对动态请求加密的,参数无法解析,也就无法进行抓取。这种情况下,可以通过Mechanize,selenium RC,调用浏览器内核,就像真实使用浏览器上网那样抓取,可以最大限度的抓取成功,只不过效率上会打些折扣。笔者测试过,用urllib抓取拉勾网招聘信息页所需时间为三十多秒,而用模拟浏览器内核抓取需要2——3分钟。

4. 限定某些IP访问

免费的代理IP可以从很多网站获取到,既然爬虫可以利用这些代理IP进行网站抓取,网站也可以利用这些代理IP反向限制,通过抓取这些IP保存在服务器上来限制利用代理IP进行抓取的爬虫。

进入正题

好了,现在实际操作一下,编写一个通过代理IP访问网站的爬虫。

首先获取代理IP,用来抓取。

顺带一提,有些网站会通过检查代理IP的真实IP来限制爬虫抓取。这里就要稍微提一下代理IP的知识。

代理IP里的“透明”“匿名”“高匿”分别是指?

透明代理的意思是客户端根本不需要知道有代理服务器的存在,但是它传送的仍然是真实的IP。使用透明IP,就无法绕过通过一定时间内IP访问次数的限制。

普通匿名代理能隐藏客户机的真实IP,但会改变我们的请求信息,服务器端有可能会认为我们使用了代理。不过使用此种代理时,虽然被访问的网站不能知道你的ip地址,但仍然可以知道你在使用代理,这样的IP就会被网站禁止访问。

高匿名代理不改变客户机的请求,这样在服务器看来就像有个真正的客户浏览器在访问它,这时客户的真实IP是隐藏的,网站就不会认为我们使用了代理。

综上所述,爬虫代理IP最好使用“高匿IP”

user_agent_list包含了目前主流浏览器请求的RequestHeaders的user-agent,通过它我们可以模仿各类浏览器的请求。

通过设定随机等待时间来访问网站,可以绕过某些网站对于请求间隔的限制。

标签: python爬虫代码怎么写

本文链接地址:https://www.jiuchutong.com/biancheng/382437.html 转载请保留说明!

上一篇:Python实现并行抓取整站40万条房价数据(可更换抓取城市)(并行 python)

下一篇:你所不知道的Python奇技淫巧13招【实用】(你所不知道的童话动画版免费观看第二季)

  • 厂房地面硬化
  • 投资款要不要交企业所得税
  • 企业裁员补偿金标准是多少
  • 小规模发票单张限额
  • 国家研发补贴政策
  • 本期实际缴费金额指的是什么
  • 建筑企业增值税怎么算
  • 税费返还如何处理
  • 税收优惠有哪些类型
  • 销售免税药品要进项税额转出吗
  • 材料成本会计的主要内容
  • 固定资产后续支出
  • 税款多交一分钱怎么做分录
  • 企业收到退回商品的会计分录
  • 境内机构经常项目外汇账户
  • 小微企业免征增值税条件
  • 物业公司代收暖气费如何开票
  • 企业会计制度怎么备案
  • 贸易公司收到货款会计分录
  • 汇总转账凭证可以是一借多贷
  • 金蝶kis标准版软件操作流程演示
  • 资产处置损益计入利润吗
  • 银行借款利息支出可以税前扣除吗
  • 酒店布草间有摄像头吗
  • php操作json文件
  • php总结
  • php可变参数
  • 增值税发票红字信息表
  • Wat Chaloem Phra Kiat Phrachomklao Rachanusorn的浮庙,泰国南邦 (© pa_YON/Getty Images)
  • php封包
  • yolov3训练
  • 建筑行业现在还能斤不
  • 文件上传模板怎么弄
  • 可供出售金融资产新准则叫什么
  • 程序员35岁 知乎
  • 织梦如何采集文章
  • mysql使用中遇到的困难和问题
  • 投资回收期计算公式例题
  • 投资性房地产成本模式转公允模式差额
  • 委托开户银行发放上月工资
  • 分公司撤销跨区经营
  • 使用银行汇票的结算方式
  • 酒店客房收入会计分录
  • 其他收益会计科目解释
  • 个体户如何做账?
  • 支付稿费怎么做凭证
  • 生物资产转让增值税
  • 工资及福利费科目
  • 扶贫入股分红政策
  • 行政事业单位固定资产入账标准最新规定
  • 建筑企业营改增之前计税方法
  • 物流运输公司的运营盈利模式
  • sqlserver自动生成id
  • 返回sql执行时间的方法
  • Windows Server 2008与2012建立林信任详细步骤
  • centos sync
  • win10系统开机弹文件资源管理器窗口
  • guardhp.exe是什么意思
  • 操作系统的定义
  • window7电源设置
  • 将Linux中systemd的单元配置实例化的方法
  • 获取windows的最新信息要跳过吗
  • 如何保留windows.old
  • macbook编译java
  • easyui combobox onchange
  • android实现推送
  • bat批处理执行cmd命令
  • linux 监视器
  • jquery json对象
  • python中二维列表的定义
  • unity方法调用
  • python设计程序
  • js弹出div出现遮罩层
  • 扣税13个点实际支付金额该怎么算
  • 开出去的专用发票存根怎么处理的
  • 2021年四川医保缴费截止时间
  • 江苏国税局官网
  • 青岛市税务管理局
  • 税控盘打印机设置参数
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设