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)

  • 个人去税务局开劳务费怎么交税
  • 出口关税税率表
  • 小规模定额征收是怎样
  • 纳税申报的流程如何?面试怎么说
  • 个人注册公司有什么优惠政策
  • 办公费专票怎么做账
  • 年终销项税额要结账吗
  • 进出口企业外汇收支平衡
  • 代收款有手续费怎么做账
  • 劳务成本算营业成本吗
  • 应交税金的期末余额怎么算
  • 加工原因造成的废品损失
  • 持有的汇票到期后怎么办
  • 专门从事研发的企业研发费用可以加计扣除吗
  • 开出转账支票怎么入账
  • 应付职工薪酬月末结转到哪里
  • 企业购买机械设备是否需要进行过户登记
  • 软件企业增值税退税的账务处理
  • 劳务建筑公司一年可以赚多少
  • 生活服务业加计扣除15%最新政策2019
  • 委托加工费的增值税计入成本吗
  • 可以做投标保证金的有银行汇票银行保函
  • 住房公积金利息怎么算的
  • 企业贷款利息是否可以提前还款
  • 外贸过程中的银行是什么
  • win10取消登陆密码
  • Qq浏览器里的文档怎么以文件形式发送
  • 苹果手机系统升级后电量消耗快
  • launcher process
  • 企业的股息红利所得
  • 前端lru
  • 企业管理费用的构成
  • php获取文件名后缀
  • 信用减值损失会影响所有者权益吗
  • 固定资产折旧加计扣除
  • 一般纳税人无票收入怎么填申报表
  • vue二级菜单的隐藏与显示
  • k8s安装步骤
  • 反射dll
  • 递延收益和其他应付款的区别
  • 个人提供翻译服务
  • 网络费用属于什么费用
  • mysql清空缓存
  • 小规模纳税人的税率是多少
  • 建筑业 成本
  • 金蝶kis固定资产反结账
  • 库存盘盈处理
  • 借款人和还款人不一致,收据打给谁
  • 企业营业外收入要交所得税吗
  • sql server触发器在哪里?
  • 以前年度损益科目编码
  • 应收账款属于会计分录
  • 什么是受托支付和非受托支付
  • 私车公用产生的费用算不算在公务用车运行维护费中
  • 业务招待费 纳税调增
  • 微信收款如何做账报税
  • 企业所得税留抵税额
  • 养猪场财务账目怎么做
  • 销售佣金的三大特点是什么?
  • 招待费发票怎么做分录
  • 无发票的费用怎么处理
  • 科目怎么写?
  • 建账的过程包括哪些内容
  • Hibernate4在MySQL5.1以上版本创建表出错 type=InnDB
  • windowsserver2016安装完成后怎么是命令模式
  • 如何开启windows防火墙
  • 键盘和鼠标冲突
  • linux系统批量查找替换多个字符
  • 苹果mac电脑怎么复制粘贴
  • win102020h2版本
  • window10重置和做系统的区别
  • win7系统电脑开机黑屏
  • 定制家具加盟品牌
  • javascript如何学
  • [置顶]马粥街残酷史
  • jquery悬浮弹出提示框
  • 如何用python编写一个程序
  • 减免所得税额怎样计算
  • 天河地税局局长简介
  • 山东省国税局领导分工
  • 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