Request模块实战02 --- 实现简易网页采集器（UA伪装反爬策略、处理有参数url）-白红宇

Request模块实战02 --- 实现简易网页采集器（UA伪装反爬策略、处理有参数url）

阅读量：322 次

发布时间：2019-03-04

本文共 2033 字，大约阅读时间需要 6 分钟。

Request模块实战02 — 实现简易网页采集器（UA伪装反爬策略、处理有参数url）

UA的全称是User Agent，它是请求浏览器的身份标志，很多网站使用它来作为识别爬虫的标志，如果访问请求的头部中没有带UA那么就会被判定为爬虫，但由于这种要针对这种反爬虫机制十分容易，即随机UA，所以这种反爬机制使用的很少。

通过访问频率识别爬虫

爬虫为了保证效率，往往会在很短的时间内多次访问目标网站，所以可以通过单个IP访问的频率来判断是否为爬虫。并且，这种反爬方式比较难以被反反爬机制反制，只能通过更换代理IP来保证效率，如飞鱼ip代理。

通过Cookie和验证码识别爬虫

Cookie就是指会员制的账号密码登陆验证，这就可以通过限制单账号抓取频率来限制爬虫抓取，而验证码完全是随机的，爬虫脚本无法正确识别，同样可以限制爬虫程序。

二、UA伪装

User-Agent:

请求载体身份标识，通过浏览器发起的请求，请求载体为浏览器，则该请求的User-Agent为浏览器的身份标识，如果使用爬虫程序发起的请求，则该请求的载体为爬虫程序，则该请求的User-Agent为爬虫程序的身份标识。服务器可以通过该值来判断发起请求的是浏览器还是爬虫程序。

通过正常的浏览页面我们可以获得允许正常访问的User-Agent。（网页中按F12）

反爬机制:

某些门户网站会对访问该网站的请求中的User-Agent进行捕获和判断，如果该请求的UA为爬虫程序，那么就拒绝该提供请求数据。

反爬策略

反爬取策略，让爬虫请求对应的url身份标识伪装成某一款浏览器

三、网页采集器

网页采集器，简单的来说就是利用爬虫技术，实现定向的网页信息爬取程序。个人理解为这里就是将程序看成是一个工具，类似转换器那种，使用代码实现与网络数据的转换。

四、代码实现

# -*- coding: utf-8#  @Time    : 2020/12/7 23:55#  @Author  : ZYX#  @File    : request实战之网页采集器.py# @software: PyCharmimport requestsif __name__ == '__main__':    # UA伪装，将对应的user-agent封装到一个字典中    # 对应着谷歌浏览器的一个身份标识    headers = {
           'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400'    }    # 1.指定url    url = 'https://www.sogou.com/web?'    #  处理url携带的参数：封装到字典中    kw = input('enter a word:')    param={
           'query':kw    }    # 2.发送请求    #   对指定的url发起的请求对应的url是携带参数的，并且请求过程中处理了参数    response = requests.get(url=url,params=param,headers=headers)    # 3.获得相应数据    page_data = response.text    print(page_data)    # 4.持久化数据存储    fileName = kw+'.html'    with open('./data/'+fileName,'w',encoding='utf-8') as fp:        fp.write(page_data)    print(fileName+'保存成功,爬取数据结束！！！')