位置: IT常识 - 正文

有反爬机制就爬不了吗?那是你还不知道反反爬,道高一尺魔高一丈啊(常见反爬策略)

编辑:rootadmin
有反爬机制就爬不了吗?那是你还不知道反反爬,道高一尺魔高一丈啊 文章目录一、从用户请求的Headers反爬虫二、基于用户行为反爬虫(1)方法1(2)方法2三、动态页面的反爬虫四.总结

推荐整理分享有反爬机制就爬不了吗?那是你还不知道反反爬,道高一尺魔高一丈啊(常见反爬策略),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:爬虫的反爬机制是不允许被破解的,常见反爬策略,反反爬技术,反爬机制有哪些,反爬怎么办,反爬怎么办,常见反爬策略,反爬机制有哪些,内容如对您有帮助,希望把文章链接给更多的朋友!

不知道你们在用爬虫爬数据的时候是否有发现,越来越多的网站都有自己的反爬机制,抓取数据已经不像以前那么容易,目前常见的反爬机制主要有以下几种:

数据是通过动态加载的,比如微博,今日头条,b站需要登录,需要验证码,比如铁路12306,淘宝,京东请求次数频繁,IP地址在同一时间访问次数过多,导致IP被封数据屏蔽方式,比如访问的数据不在源码中,数据隐藏在js中,比如今日分享,b站

爬虫与反爬虫一直以来就像是左右手互博,你有反爬机制,我就有反反爬技术,即见即可爬,道高一尺魔高一丈。

今天就为大家详细介绍网站的反爬虫机制和实用的应对方法,一般网站从三个方面反爬虫:

1.用户请求的Headers 2.用户行为 3.网站目录和数据加载方式

前两种比较容易遇到,大多数网站都从这些角度来反爬虫。第三种一些应用ajax的网站会采用,这样增大了爬取的难度(防止静态爬虫使用ajax技术动态加载页面)。

一、从用户请求的Headers反爬虫

这种是最常见的反爬机制,在访问某些网站的时候,网站通常会用判断访问是否带有头文件来鉴别该访问是否为爬虫,用来作为反爬取的一种策略。

那我们就需要伪装headers。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。

往往容易被忽略,通过对请求的抓包分析,确定referer,在程序中模拟访问请求头中添加。

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。

例如打开搜狐首页,先来看一下Chrome的头信息(F12打开开发者模式)如下:

如图,访问头信息中显示了浏览器以及系统的信息(headers所含信息众多,其中User-Agent就是用户浏览器身份的一种标识,具体可自行查询)

Python中urllib中的request模块提供了模拟浏览器访问的功能,代码如下:

from urllib import requesturl = http://www. baidu.com # page= requestRequest (url)# page add header (' User-Agent',' Mozilla/5.0(Windows NT 10.0; Win64; x64) AppleWebkiheaders ={'User-Agent': ' Mozilla/5.0(Windows NT 10.0; Win64; x64) AppleWebkit/537. 36'}page = request Request(url, headersheaders)page_info = request urlopen(page). read().decode('utf-8')print(page_info)

可以通过add_header(key, value) 或者直接以参数的形式和URL一起请求访问

urllib.request Request()urllib.request Request(url, data=None, headers={}, origin req host=None, unverifiable )

其中headers是一个字典,通过这种方式可以将爬虫模拟成浏览器对网站进行访问。

二、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。

有反爬机制就爬不了吗?那是你还不知道反反爬,道高一尺魔高一丈啊(常见反爬策略)

这种防爬,需要有足够多的ip来应对。

(1)方法1

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。可以专门写一个爬虫,爬取网上公开的代理ip,检测后全部保存起来。有了大量代理ip后可以每请求几次更换一个ip,这在requests或者urllib中很容易做到,这样就能很容易的绕过第一种反爬虫。

编写爬虫代理:

步骤:

1.参数是一个字典{‘类型’:‘代理ip:端口号’}   proxy_support=urllib.request.ProxyHandler({}) 2.定制、创建一个opener   opener=urllib.request.build_opener(proxy_support) 3.安装opener   urllib.request.install_opener(opener) 4.调用opener   opener.open(url)

用大量代理随机请求目标网站,应对反爬虫

import urllib requestimport random import reurl='http://www. whatismyip. com. tw 'iplist=['121.193.143.249:88',"112.126.65.193:88',122.96.59.184:82',115.29.98.139:9]proxy_support = urllib. request Proxyhandler({'httP': random choice(iplist)})opener = urllib.request.build_opener(proxy_suppor)opener.addheaders=[(' User-Agent, ' Mozilla/5.0(X11; Linux x86-64) AppleWebkit/537.36'urllib.request.install_opener(opener)response = urllib.request.urlopen(url)html = response.read().decode(' utf-8)pattern = re.compile('<h1>(.*?)</h1>.*?<h2>(,*?)</h2>')iterms=re.findall(pattern, html)for item in iterms: print(item[0]+:"+item[1])(2)方法2

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。

对于账户做防爬限制,一般难以应对,随机几秒请求也往往可能被封,如果能有多个账户,切换使用,效果更佳。

三、动态页面的反爬虫

上述的几种情况大多都是出现在静态页面,还有一部分网站,我们需要爬取的数据是通过ajax请求得到,或者通过Java生成的。

解决方案:Selenium+PhantomJS

Selenium:自动化web测试解决方案,完全模拟真实的浏览器环境,完全模拟基本上所有的用户操作

PhantomJS :一个没有图形界面的浏览器

比如获取淘宝的个人详情地址:

from selenium import webdriverimport time import re drive = webdriver.PhantomJs(executable_path = ' phantomjs-21.1-linux-x86 64/bin/phanto drive.get('https://mm. taobaocom/self/modelinfohtm? userid=189942305& iscoment=fal)time. sleep(5)pattern = re.compile(r'<div. *? mm-p-domain-info>*? class="mm-p-info-cell clearfix">.html = drive.page_source.encode(' utf-8,' ignore')items=re.findall(pattern, html)for item in items:print(item[0], 'http':+item[1])drive.close()

四.总结

最后给大家总结一下前面所讲的反爬机制应对策略(反反爬):

伪装浏览器

使用代理IP

抓包分析突破异步加载 / selenium自动化测试工具

添加cookie

最后嘱咐大家一句,爬虫世界确实很有意思,技术是无罪的,学习是可以的,但还是实际操作就要适可而止了,不要触碰到法律的边界线。

感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你,干货内容包括:

点击文末的名片可以抱走

本文链接地址:https://www.jiuchutong.com/zhishi/298974.html 转载请保留说明!

上一篇:Web前端 | HTML嵌入JS代码的三种方式(嵌入html)

下一篇:五、IDEA中创建Web项目(idea2020.2.3创建web)

  • 费改税是哪一年
  • 所得税费用会计准则
  • 土地增值税应纳税额如何计算
  • 发票签字有什么用
  • 事业单位有那种
  • 记账凭证如何填写明细科目
  • 印花税减免退税会计分录
  • 金蝶KIS专业版报表操作数非数值
  • 私人口腔诊所会感染艾滋病吗
  • 公司出租非自有房产
  • 普通发票验旧后当月能作废吗
  • 承兑到期没兑现怎么处理
  • 从基本存款账户之外的银行结算账户转账存入
  • 购货方非增值税一般纳税人
  • 个人所得税多缴了可以退回吗
  • 贷款利息税前扣除比例
  • 7月1号出台的政策
  • 小规模纳税人申报表2023年怎么填写
  • 资产处置损益在企业所得税汇算时如何填列
  • 跨期做账如何处理当事人
  • 资金筹集业务的会计处理
  • win10怎么关闭开机磁盘自检
  • 怎么把浏览器屏幕缩小
  • 苹果电脑怎么打顿号
  • 代购机票骗局
  • cuda10.1下载
  • 混凝土简易计税能抵扣么
  • 股东分红企业代扣个税
  • pytorch sgd优化器
  • 贷款 减值
  • 小企业会计准则外币业务
  • 临时工享受的福利有哪些
  • 微信小程序实现发红包
  • SQLite中重置自动编号列的方法
  • 设备购入后又退出怎么办
  • 申报表填完后下一步是什么
  • 汇票贴现是什么
  • 企业有哪些固定资产
  • 个人扣税是怎么扣的
  • 进口关税征收方法
  • 会计差错更正的会计处理方法
  • 股东分红会计分录
  • 购买税控盘的账务处理
  • 减少实收资本会影响资产吗
  • 外贸公司出口退税进项发票没及时开票有影响吗
  • 举办活动的工作要求
  • 专票入账用哪一联
  • 资金占用费如何计算企业所得税
  • 劳务公司 成本
  • 出口货物索赔如何确认收入
  • 培训费产生的差额是什么
  • 销售退货怎么开票
  • 存货与总账对账
  • 工业投资范围是什么
  • mysql从一张表复制数据到另一张表
  • windowsxp无法定位程序输入点
  • ubuntu怎么禁用nouveau
  • linux系统垃圾怎么清理
  • linux的命令行指的是什么
  • ubuntu怎么root权限
  • 苹果电脑如何提高网速
  • redhat本地yum配置的基本步骤
  • win8系统设置锁屏密码
  • opengl 投影矩阵
  • 服务器自动关机什么原因
  • unity3d地图定位
  • jquery插件使用教程
  • js判断输入用户名是否正确
  • jquery删除所有class
  • shell脚本学习指南
  • jquery操作html代码
  • javascript的dom
  • 噩梦 gd
  • css弹性布局是什么
  • python右斜杠怎么打出来
  • 小规模国税申报表填写方法
  • 机关工勤人员2022工资套改表
  • 2023年新乡契税补贴政策
  • 广西电子税务局电话人工客服电话
  • 专用发票收款人可以盖私章吗
  • 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