欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  新闻

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

程序员文章站 2024-03-27 13:39:46
事情是这样的亚马逊是全球最大的购物平台很多商品信息、用户评价等等都是最丰富的。今天,手把手带大家,越过亚马逊的反爬虫机制爬取你想要的商品、评论等等有用信息反爬虫机制但是,我们想用爬虫来爬取相关的数据信...

事情是这样的

亚马逊是全球最大的购物平台

很多商品信息、用户评价等等都是最丰富的。

今天,手把手带大家,越过亚马逊的反爬虫机制

爬取你想要的商品、评论等等有用信息

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

反爬虫机制

但是,我们想用爬虫来爬取相关的数据信息时

像亚马逊、tbao、jd这些大型的购物商城

他们为了保护自己的数据信息,都是有一套完善的反爬虫机制的

先试试亚马逊的反爬机制

我们用不同的几个python爬虫模块,来一步步试探

最终,成功越过反爬机制。

一、urllib模块

代码如下:

# -*- coding:utf-8 -*-
import urllib.request
req = urllib.request.urlopen('https://www.amazon.com')
print(req.code)
复制代码

返回结果:状态码:503。

分析:亚马逊将你的请求,识别为了爬虫,拒绝提供服务。

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

本着科学严谨的态度,我们拿万人上的百度试一下。

返回结果:状态码 200

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

分析:正常访问

本着科学严谨的态度,我们拿万人上的百度试一下。

返回结果:状态码 200

分析:正常访问

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

代码如下 ↓ ↓ ↓

import requests

url='https://www.amazon.com/kavu-rope-bag-denim-size/product-reviews/xxxxxxx'
web_header={
'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64; rv:88.0) gecko/20100101 firefox/88.0',
'accept': '*/*',
'accept-language': 'zh-cn,zh;q=0.8,zh-tw;q=0.7,zh-hk;q=0.5,en-us;q=0.3,en;q=0.2',
'accept-encoding': 'gzip, deflate, br',
'connection': 'keep-alive',
'cookie': '你的cookie值',
'te': 'trailers'}
r = requests.get(url,headers=web_header)
print(r.status_code)
复制代码

返回结果:状态码:200

分析:返回状态码是200了,正常了,有点爬虫那味了。

3、检查返回页面

我们通过requests+cookie的方法,得到的状态码为200

目前至少被亚马逊的服务器正常提供服务了

我们将爬取的页面写入文本中,通过浏览器打开。

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

我踏马…返回状态是正常了,但返回的是一个反爬虫的验证码页面。

还是 被亚马逊给挡住了。

三、selenium自动化模块

相关selenium模块的安装

pip install selenium
复制代码

代码中引入selenium,并设置相关参数

import os
from requests.api import options
from selenium import webdriver
from selenium.webdriver.chrome.options import options

#selenium配置参数
options = options()
#配置无头参数,即不打开浏览器
options.add_argument('--headless')
#配置chrome浏览器的selenium驱动 
chromedriver="c:/users/pacer/appdata/local/google/chrome/application/chromedriver.exe"
os.environ["webdriver.chrome.driver"] = chromedriver
#将参数设置+浏览器驱动组合
browser = webdriver.chrome(chromedriver,chrome_options=options)
复制代码

测试访问

url = "https://www.amazon.com"
print(url)
#通过selenium来访问亚马逊
browser.get(url)
复制代码

返回结果:状态码:200

分析:返回状态码是200了,访问状态正常,我们再看看爬到的网页信息。

将网页源码保存到本地

#将爬取到的网页信息,写入到本地文件
fw=open('e:/amzon.html','w',encoding='utf-8')
fw.write(str(browser.page_source))
browser.close()
fw.close()
复制代码

打开我们爬取的本地文件,查看 ,

我们已经成功越过了反爬虫机制,进入到了amazon的首页

防止爬虫爬取的机制(教你如何防止爬虫爬抓取数据)

结局

通过selenium模块,我们可以成功的越过

亚马逊的反爬虫机制。

下一篇:我们继续介绍,如何来爬取亚马逊的数十万商品信息及评论。