通过学习其他人的爬虫经验,我们能够通过别人的技巧,来帮助自己快速实现爬虫。代理IP的使用解决了爬虫的大部分难题,但是用Python爬虫是有技巧的,黑洞代理搜集了相关信息进行整合,方便大家快速查询解决问题。下面马上进入到正文。
1、最基本的抓站
import urllib2 content = urllib2.urlopen(‘http://XXXX’).read()
2、使用代理服务器(爬虫代理ip)
这在某些情况下比较有用,比如IP被封了,或者比如IP访问的次数受到限制等等。
import urllib2 proxy_support = urllib2.ProxyHandler({‘http’:’http://XX.XX.XX.XX:XXXX’}) opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) urllib2.install_opener(opener) content = urllib2.urlopen(‘http://XXXX’).read()
3、需要登录的情况
登录的情况比较麻烦我把问题拆分一下:
(1) 伪装成浏览器访问
某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器,这可以通过修改http包中的header来实现:
headers = { ‘User-Agent’:’Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6′ } req = urllib2.Request( url = ‘http://secure.verycd.com/signin/*/http://www.verycd.com/’, data = postdata, headers = headers )
(2)反”反盗链”
某些站点有所谓的反盗链设置,其实说穿了很简单,就是检查你发送请求的header里面,referer站点是不是他自己,所以我们只需要像3.3一样,把headers的referer改成该网站即可,以黑幕著称地cnbeta为例:
headers = { ‘Referer’:’http://www.cnbeta.com/articles’ }
headers是一个dict数据结构,你可以放入任何想要的header,来做一些伪装。
(3) cookie的处理
import urllib2, cookielib cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar()) opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler) urllib2.install_opener(opener) content = urllib2.urlopen(‘http://XXXX’).read()
是的没错,如果想同时用代理和cookie,那就加入proxy_support然后operner改为
opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
(4)表单的处理
登录必要填表,表单怎么填?首先利用工具截取所要填表的内容。
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项,其中fk是随机生成的(其实不太随机,看上去像是把epoch时间经过简单的编码生成的),需要从网页获取,也就是说得先访问一次网页,用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写,login_submit是固定的,这从源码可以看出。还有username,password那就很显然了。
好的,有了要填写的数据,我们就要生成postdata
import urllib postdata=urllib.urlencode({ ‘username’:’XXXXX’, ‘password’:’XXXXX’, ‘continueURI’:’http://www.verycd.com/’, ‘fk’:fk, ‘login_submit’:’登录’ })
然后生成http请求,再发送请求:
req = urllib2.Request( url = ‘http://secure.verycd.com/signin/*/http://www.verycd.com/’, data = postdata ) result = urllib2.urlopen(req).read()
(5) 终极绝招
有时候即使做了所有步骤,访问还是会被据,那么没办法,老老实实把httpfox中看到的headers全都写上,那一般也就行了。 再不行,那就只能用终极绝招了,selenium直接控制浏览器来进行访问,只要浏览器可以做到的,那么它也可以做到。类似的还有pamie,watir,等等等等。
不同的网站使用不同的反爬虫机制,我们在进行爬虫的时候,就要对它们进行分析,看看到底是哪种机制限制了我们。文章的下半部分依然是爬虫的技巧分享,大家可以继续关注黑洞代理带来的更新。
相关文章内容简介
1 用Python爬虫使用技巧汇总(上)
通过学习其他人的爬虫经验,我们能够通过别人的技巧,来帮助自己快速实现爬虫。代理IP的使用解决了爬虫的大部分难题,但是用Python爬虫是有技巧的,黑洞代理搜集了相关信息进行整合,方便大家快速查询解决问题。下面马上进入到正文。 1、最基本的抓站 import∵urllib2∵content∵=∵urllib2.urlopen(‘http://XXXX’).read() 2、使用代理服务器(爬虫代... [阅读全文]
最新标签
推荐阅读
07
2019-11
正向代理、反向代理的对比
代理服务器可以分为正向代理、反向代理,使用的时候,大家可能感受不出来具体有什么不同。但是这两种其实存在不少差异,使用场景也不一样。
31
2019-10
网络爬虫为什么会出现乱码?
代理IP让爬虫变得更加方便,降低了准入门槛,让很多人也开始学习如何编写爬虫程序。在爬虫的时候,会出现很多情况,黑洞代理跟大家分享当你的爬虫出现乱码如何解决。
31
2019-10
Urllib库怎么使用?
用pyhton来进行爬虫是很多爬虫工作者的选择,大数据在各行各业都发挥着作用,企业也对数据分析给予更多的关注,黑洞代理今天给大家介绍Urllib库的使用。
31
2019-10
爬虫要怎么设计运行?
互联网时代,网络爬虫是常规操作了,比较常见的就有像搜索引擎蜘蛛,它通过每天抓取不同网站的信息,当用户进行搜索的时候,才能够进行返回有效信息。黑洞代理下面为大家介绍爬虫要怎
热门文章
在线咨询
客户经理
公众号
关注公众号,免费领试用
大客户