python爬虫获取子域名以及对“百度安全验证”问题的解决_爬虫 百度安全验证

编写的python代码是在借鉴老师给的资料的基础上实现的

进行课堂实践：模仿bing搜索引擎域名收集功能，实现baidu搜索引擎的域名搜集功能时，走了不少弯路，最后终于形成了完整的思路。尤其是在“百度安全验证”问题上耗费的时间之久，就因为忽略了cookie的有效获取

公开信息搜集之子域名搜集的语法

1. bing搜索引擎获取子域名的语法为：domain:[域名]
   eg:通过bing搜索引擎获取baidu.com域名下的子域名，需输入的语法为：domain:baidu.com
2. baidu搜索引擎获取子域名的语法为：site:[域名]
   eg:通过baidu搜索引擎获取baidu.com域名下的子域名，需输入的语法为：site:baidu.com

编写python代码与实现过程

导入相应模块

import requests                                   #用于请求网页资源
from bs4 import BeautifulSoup            #用于处理获取的网页源码数据
from urllib.parse import urlparse        #用于处理url

"""若没有这些模块，可在安装的python文件下执行命令“pip install requests”或“pip install bs4”或“pip install urllib.parse”进行下载"""
1
2
3
4
5

在baidu搜索引擎上获取请求相应网页资源时，需要的部分请求头信息

注意：在进行子域名搜集之前，请确保已登录百度，否则获取的cookie不起作用，其他搜索引擎同理
未登录时的界面

获取无效cookie的运行结果

未登录时获取无效cookie来定义请求头，得到的响应内容为“百度安全验证”与“网络不给力，请稍后重试”、“返回首页”、“问题反馈”
出现此问题也还可能是请求头定义不完善被反爬了，从网上搜索的资料看大多是因为请求头缺少“Accept”
已登录后的界面

python爬虫需要定义请求头以绕过反扒机制，而定义请求头信息需从一下几步获取

1. 进入百度搜索引擎首页，输入：site:baidu.com，这里以火狐浏览器为例
   
   
2. 按F12键进入开发者工具=》点击网络项=》Ctrl+R更新
   
   
   
   
3. 查看子域名收集返回网页的网页源码，找出子域名所在的标签和书写格式，以便于编写代码获取
   
4. 代码编写
   #定义baidu搜索引擎的子域名搜集功能的函数

def baidu_search():
    Subdomain2 = []            #定义一个空列表用于存储收集到的子域名
    #定义请求头，绕过反爬机制
    hearders = {
       'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:104.0) Gecko/20100101 Firefox/104.0',
       'accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,*/*;q=0.8',
       'referer':'',         #该请求没有来源网页可不填
       'cookie':'BAIDUID=23891A85BA85C16E5C9B5560154BA69C:FG=1; BIDUPSID=B6A72EB557B74FFA3D56BB80DB603C2C; PSTM=1663062807; BD_UPN=13314752; BDORZ=FFFB88E999055A3F8A630C64834BD6D0; BA_HECTOR=alal2001850g8l81252h8aqu1hi0t9e18; ZFY=SEUInM0ZuRBXFZUw1B0dlkNP:BZj3M:BZlpxlcZfdCgw8:C; BD_HOME=1; H_PS_PSSID=36558_37117_37354_37300_36885_34812_36802_36789_37145_37258_26350_37364; delPer=0; BD_CK_SAM=1; PSINO=7; BDRCVFR[Fc9oatPmwxn]=aeXf-1x8UdYcs; BDUSS=Zpc0MwUDE5bTZ4dUdQcUIxM2Z1SnFZMEpvUGpxTlRBWTBaTjZVdlh1V0tDRWxqRVFBQUFBJCQAAAAAAQAAAAEAAACnhFosAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAIp7IWOKeyFjUD; H_PS_645EC=18db%2FxuyDIkSXG5WHmpOcEYdpAWQjJ77VSAYXPxhCINzCpt3nIF4SZssA6n9ATbCjzGM; BDSVRTM=247; baikeVisitId=e2c826a7-6934-4751-ac3d-29e118347887'
    }
    #定义请求url
    url = "https://www.baidu.com/s?wd=site:baidu.com&rsv_spt=1&rsv_iqid=0xce93ba97000245cf&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&tn=monline_3_dg&rsv_enter=1&rsv_dl=tb&rsv_sug3=16&rsv_sug1=17&rsv_sug7=101&rsv_sug2=0&rsv_btype=t&inputT=175341&rsv_sug4=175341"
    resp = requests.get(url,headers=hearders)           #访问url，获取网页源码
    #print(resp.content.decode())等价于print(soup),变量soup在下面定义，是解析过的网页内容

    soup = BeautifulSoup(resp.content,'html.parser')    #创建一个BeautifulSoup对象，第一个参数是网页源码，第二个参数是Beautiful Soup 使用的 HTML 解析器，
    #print(soup)
    job_bt = soup.find_all('div',class_="result c-container xpath-log new-pmd")                        #find_all()查找源码中所有<div class_="result c-container xpath-log new-pmd"> 标签的内容
    
    for i in job_bt:                 #遍历获取的标签
        link = i.get('mu')           #获取属性mu的值              
        #urlparse是一个解析url的工具，scheme获取url的协议名，netloc获取url的网络位置
        domain = str(urlparse(link).scheme + "://" + urlparse(link).netloc)
        if domain in Subdomain2:              #如果解析后的domain存在于Subdomain2中则跳过，否则将domain存入子域名表中
            pass
        else:
            Subdomain2.append(domain)
            print(domain)
#调用函数baidu_search()
baidu_search() 
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

5. 运行结果
   

6. 优化：给获取的子域名添加描述
   查看网页源码，找到子域名描述的位置
   

#子域名的描述在标签<div class="result c-container xpath-log new-pmd">下的标签<div class="c-container">下的标签<h3>下的标签<a>的“标题”中
1

#获取标签“<a>"的“标题”的方法为get_text()
1

代码

  
    for i in job_bt:                 #遍历获取的标签
        link = i.get('mu')           #获取属性mu的值
        
        #获取子域名的描述，注意：变量的命名不可与关键字、方法名等重叠，否则会报错："str" object is not callable
         string=i.find('div',class_="c-container").find('h3').find('a').get_text()     
                  
        #urlparse是一个解析url的工具，scheme获取url的协议名，netloc获取url的网络位置
        domain = str(urlparse(link).scheme + "://" + urlparse(link).netloc)
        if domain in Subdomain2:              #如果解析后的domain存在于Subdomain2中则跳过，否则将domain存入子域名表中
            pass
        else:
            Subdomain2.append(domain)
            print(domain+'\t'+string)  #输出进行字符串拼接
1
2
3
4
5
6
7
8
9
10
11
12
13
14

运行结果：