最近在學(xué)爬蟲(chóng)時(shí)發(fā)現(xiàn)許多網(wǎng)站都有自己的反爬蟲(chóng)機(jī)制，這讓我們沒(méi)法直接對(duì)想要的數(shù)據(jù)進(jìn)行爬取，于是了解這種反爬蟲(chóng)機(jī)制就會(huì)幫助我們找到解決方法。

(一) 判別身份

首先我們看一個(gè)例子，看看到底什么時(shí)候反爬蟲(chóng)。
我們還是以 豆瓣電影榜top250(https://movie.douban.com/top250) 為例。

這是段簡(jiǎn)單的請(qǐng)求與網(wǎng)站連接并打印獲取數(shù)據(jù)的代碼，我們來(lái)看看它的運(yùn)行結(jié)果。

我們可以發(fā)現(xiàn)我們什么數(shù)據(jù)都沒(méi)有獲取到，這就是由于這個(gè)網(wǎng)站有它的身份識(shí)別功能，把我們識(shí)別為了爬蟲(chóng)，拒絕為我們提供數(shù)據(jù)。不管是瀏覽器還是爬蟲(chóng)訪(fǎng)問(wèn)網(wǎng)站時(shí)都會(huì)帶上一些信息用于身份識(shí)別。而這些信息都被存儲(chǔ)在一個(gè)叫請(qǐng)求頭(request headers) 的地方。而這個(gè)請(qǐng)求頭中我們只需要了解其中的一個(gè)叫user-agent(用戶(hù)代理) 的就可以了。user-agent里包含了操作系統(tǒng)、瀏覽器類(lèi)型、版本等信息，通過(guò)修改它我們就能成功地偽裝成瀏覽器。

下面我們來(lái)看怎么找這個(gè)user-agent吧。

首先得打開(kāi)瀏覽器，隨便打開(kāi)一個(gè)網(wǎng)站，再打開(kāi)開(kāi)發(fā)者工具。
再點(diǎn)擊network標(biāo)簽，接著點(diǎn)第一個(gè)請(qǐng)求，再找到Request Headers，最后找到user-agent字段。(有時(shí)候可能點(diǎn)擊network標(biāo)簽后是空白的，這時(shí)候刷新下網(wǎng)頁(yè)就好啦！)

找到請(qǐng)求頭后，我們只需要把他放進(jìn)一個(gè)字典里就好啦，具體操作見(jiàn)下面代碼。

現(xiàn)在我們?cè)賮?lái)看部分輸出結(jié)果。

我們可以發(fā)現(xiàn)已經(jīng)將該網(wǎng)站的HTML文件全部爬取到了，至此第一種方法就將完成了。下面我們來(lái)看第二種方法。

(二) IP限制

IP(Internet Protocol) 全稱(chēng)互聯(lián)網(wǎng)協(xié)議地址，意思是分配給用戶(hù)上網(wǎng)使用的網(wǎng)際協(xié)議的設(shè)備的數(shù)字標(biāo)簽。它就像我們身份證號(hào)一樣，只要知道你的身份證號(hào)就能查出你是哪個(gè)人。

當(dāng)我們爬取大量數(shù)據(jù)時(shí)，如果我們不加以節(jié)制地訪(fǎng)問(wèn)目標(biāo)網(wǎng)站，會(huì)使網(wǎng)站超負(fù)荷運(yùn)轉(zhuǎn)，一些個(gè)人小網(wǎng)站沒(méi)什么反爬蟲(chóng)措施可能因此癱瘓。而大網(wǎng)站一般會(huì)限制你的訪(fǎng)問(wèn)頻率，因?yàn)檎Ｈ耸遣粫?huì)在 1s 內(nèi)訪(fǎng)問(wèn)幾十次甚至上百次網(wǎng)站的。所以，如果你訪(fǎng)問(wèn)過(guò)于頻繁，即使改了 user-agent 偽裝成瀏覽器了，也還是會(huì)被識(shí)別為爬蟲(chóng)，并限制你的 IP 訪(fǎng)問(wèn)該網(wǎng)站。

因此，我們常常使用 time.sleep() 來(lái)降低訪(fǎng)問(wèn)的頻率，比如上一篇博客中的爬取整個(gè)網(wǎng)站的代碼，我們每爬取一個(gè)網(wǎng)頁(yè)就暫停一秒。

部分運(yùn)行結(jié)果：

至此兩種比較簡(jiǎn)單的應(yīng)對(duì)反爬蟲(chóng)方法就講完啦，希望能對(duì)大家有所幫助，如果有問(wèn)題，請(qǐng)及時(shí)給予我指正，感激不盡！

原文鏈接：https://blog.csdn.net/qq_41564422/article/details/104212511

文章轉(zhuǎn)載：Python編程學(xué)習(xí)圈
（版權(quán)歸原作者所有，侵刪）