爬蟲-繞過瀏覽器防爬機制的小方法
1.設置Headers
調試瀏覽器F12,用的是Chrome,打開網絡監聽
請求的頁面包含了許許多多的內容,這些內容也不是一次性就加載完成的,實質上是執行了好多次請求,一般是首先請求HTML文 件,然後加載JS,CSS 等等,經過多次請求之後,網頁的骨架和肌肉全了,整個網頁的效果也就出來了。
Request-headers-response
agent:請求的身份
設置Headers,構建request時傳入,在請求時,就加入了headers傳送,(作用)服務器若識別了是瀏覽器發來的請求,就會得到響應。
用戶-瀏覽器-服務器
服務器“防盜鏈”的方式:服務器會識別headers中的referer是不是它自己
上有政策,下有對策
構造Headers時加入Referer(Headers>Referer)
headers = { 'User-Agent' : 'Mozilla/4.0(compatible; MSIE 5.5; Windows NT)' ,'Referer':'http://www.zhihu.com/articles' }
headers的一些屬性
User-Agent : 有些服務器或 Proxy 會通過該值來判斷是否是瀏覽器發出的請求
Content-Type : 在使用 REST 接口時,服務器會檢查該值,用來確定 HTTPBody 中的內容該怎樣解析。
application/xml : 在 XML RPC,如 RESTful/SOAP 調用時使用
application/json : 在 JSON RPC 調用時使用
application/x-www-form-urlencoded : 瀏覽器提交 Web 表單時使用
在使用服務器提供的 RESTful 或 SOAP 服務時, Content-Type 設置錯誤會導致服務器拒絕服務
2. Proxy(代理)的設置
urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy
一個網站它會檢測某一段時間某個IP 的訪問次數,如果訪問次數過多,它會禁止你的訪問。(對策)所以你可以設置一些代理服務器來幫助你做工作,每隔一段時間換一個代理,網站君都不知道是誰在搗鬼了,這酸爽!
3.Timeout 設置
設置等待多久超時,爲了解決一些網站實在響應過慢而造成的影響。
(響應)response =urllib2.urlopen('http://www.baidu.com', timeout=10)
4.使用 HTTP 的PUT 和 DELETE 方法
http協議有六種請求方法:get,head,put,delete,post,options,我們有時候需要用到PUT方式或者DELETE方式請求。
PUT:這個方法比較少見。HTML表單也不支持這個。本質上來講, PUT和POST極爲相似,都是向服務器發送數據,但它們之間有一個重要區別,PUT通常指定了資源的存放位置,而POST則沒有,POST的數據存放位置由服務器自己決定。
DELETE:刪除某一個資源。基本上這個也很少見,不過還是有一些地方比如amazon的S3雲服務裏面就用的這個方法來刪除資源。
5.使用DebugLog(不常用)
收發包的內容就會在屏幕上打印出來,方便調試
import urllib2
httpHandler =urllib2.HTTPHandler(debuglevel=1)
httpsHandler =urllib2.HTTPSHandler(debuglevel=1)
opener =urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response =urllib2.urlopen('http://www.baidu.com')