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。
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30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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
def Get_proxy_ip(): headers = { 'Host': 'www.xicidaili.com', 'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)', 'Accept': r'application/json, text/javascript, */*; q=0.01', 'Referer': r'http://www.xicidaili.com/', } req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers) #发布代理IP的网站 response = request.urlopen(req) html = response.read().decode('utf-8') proxy_list = [] ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html) port_list = re.findall(r'<td>\d+</td>',html) for i in range(len(ip_list)): ip = ip_list[i] port = re.sub(r'<td>|</td>', '', port_list[i]) proxy = '%s:%s' %(ip,port) proxy_list.append(proxy) return proxy_list |
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
user_agent_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)', 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1', 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0', 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',] |
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
def Proxy_read(proxy_list, user_agent_list, i): proxy_ip = proxy_list[i] print('当前代理ip：%s'%proxy_ip) user_agent = random.choice(user_agent_list) print('当前代理user_agent：%s'%user_agent) sleep_time = random.randint(1,3) print('等待时间：%s s' %sleep_time) time.sleep(sleep_time) #设置随机等待时间 print('开始获取') headers = { 'Host': 's9-im-notify.csdn.net', 'Origin':'http://blog.csdn.net', 'User-Agent': user_agent, 'Accept': r'application/json, text/javascript, */*; q=0.01', 'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703', } proxy_support = request.ProxyHandler({'http':proxy_ip}) opener = request.build_opener(proxy_support) request.install_opener(opener) req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers) try: html = request.urlopen(req).read().decode('utf-8') except Exception as e: print('******打开失败！******') else: global count count +=1 print('OK!总计成功%s次！'%count) |
以上就是爬虫使用代理的相关知识点，虽然还很浅显，但大部分场景是可以应付的了的。
附上源码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
|
#! /usr/bin/env python3from urllib import requestimport randomimport timeimport lxmlimport reuser_agent_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)', 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1', 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0', 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',]count = 0def Get_proxy_ip(): headers = { 'Host': 'www.xicidaili.com', 'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)', 'Accept': r'application/json, text/javascript, */*; q=0.01', 'Referer': r'http://www.xicidaili.com/', } req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers) response = request.urlopen(req) html = response.read().decode('utf-8') proxy_list = [] ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html) port_list = re.findall(r'<td>\d+</td>',html) for i in range(len(ip_list)): ip = ip_list[i] port = re.sub(r'<td>|</td>', '', port_list[i]) proxy = '%s:%s' %(ip,port) proxy_list.append(proxy) return proxy_listdef Proxy_read(proxy_list, user_agent_list, i): proxy_ip = proxy_list[i] print('当前代理ip：%s'%proxy_ip) user_agent = random.choice(user_agent_list) print('当前代理user_agent：%s'%user_agent) sleep_time = random.randint(1,3) print('等待时间：%s s' %sleep_time) time.sleep(sleep_time) print('开始获取') headers = { 'Host': 's9-im-notify.csdn.net', 'Origin':'http://blog.csdn.net', 'User-Agent': user_agent, 'Accept': r'application/json, text/javascript, */*; q=0.01', 'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703', } proxy_support = request.ProxyHandler({'http':proxy_ip}) opener = request.build_opener(proxy_support) request.install_opener(opener) req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers) try: html = request.urlopen(req).read().decode('utf-8') except Exception as e: print('******打开失败！******') else: global count count +=1 print('OK!总计成功%s次！'%count)if __name__ == '__main__': proxy_list = Get_proxy_ip() for i in range(100): Proxy_read(proxy_list, user_agent_list, i) |
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，同时也希望多多支持服务器之家！
原文链接：http://www.cnblogs.com/Lands-ljk/p/5673017.html
