当前位置:   article > 正文

AI&BigData训练营笔记三:Python爬虫攻破反爬虫防御策略_爬虫攻破防爬

爬虫攻破防爬

系统环境:

  1. 操作系统:Windows8.1专业版 64bit
  2. Python:anaconda、Python2.7
  3. Python modules:requests、json、random、time

Background:

在使用Python爬虫爬取网页数据时,我们会遭到网站自身的反爬虫防御,这时候我们需要采取一些方法来攻破网站的反爬虫防御策略。

解决方法:

接下来,将使用伪装浏览器UA、IP代理、爬虫频率控制这三种方法来攻破网站的反爬虫防御策略。在编程实现之前,需要按照以上的系统环境,配置好自己的Python环境。

  1. # -*- coding: utf-8 -*-
  2. """
  3. Created on Sun Apr 22 17:08:29 2018
  4. @author: gmn
  5. """
  6. #导入requests module
  7. import requests
  8. #导入json module
  9. import json
  10. #导入random module
  11. import random
  12. #导入time module
  13. import time
  14. #User-Agent列表,这个可以自己在网上搜到
  15. USER_AGENTS = [
  16. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  17. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
  18. "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  19. "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
  20. "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
  21. "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
  22. "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
  23. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
  24. "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
  25. "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
  26. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
  27. "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
  28. "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
  29. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
  30. "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
  31. "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
  32. ]
  33. #设置IP代理
  34. proxies={"http":"http://41.118.132.69:4433"}
  35. #爬取100次
  36. for index in range(100):
  37. print '第%d次爬取:' % (index+1)
  38. #设置要爬取的url
  39. url='http://money.finance.sina.com.cn/d/api/openapi_proxy.php/?__s=[[%22bkshy%22,%22%22,0]]'
  40. #设置get请求的User-Agent,用于伪装浏览器UA
  41. headers={'User-Agent':random.choice(USER_AGENTS)}
  42. #requests get请求
  43. req=requests.get(url,headers=headers,proxies=proxies)
  44. #加载json数据
  45. jsinfo=json.loads(req.content)
  46. #测试:打印爬取到的json数据
  47. print jsinfo[0]['count']
  48. #设置爬取频率
  49. time.sleep(5) #延时5秒


声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/码创造者/article/detail/810600
推荐阅读
相关标签
  

闽ICP备14008679号