爬虫---Beautiful Soup 反反爬虫事例

qican 2021-12-15 原文

　　前两章简单的讲了Beautiful Soup的用法，在爬虫的过程中相信都遇到过一些反爬虫，如何跳过这些反爬虫呢？今天通过知乎网写一个简单的反爬中

什么是反爬虫

简单的说就是使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量。

反反爬虫机制

增加请求头—headers为了模拟更真实的用户场景
更改IP地址—网站会根据你的IP对网站访问频密，判断你是否属于爬虫
ua限制—UA是用户访问网站时候的浏览器标识，其反爬机制与ip限制类似
模拟帐号登录—-通过request模拟登录进行访问网站
cookies的限制—网站页面每次请求的cookies不同

爬取知乎热榜

1.首先打开需要爬取的网站

2.分析网站的html，标签为’a‘，属性为target=”_blank”

3.通过request方式进行请求网站

4.首先我们先不携带任何的反反爬虫机制进行访问

# coding:utf-8
import requests
from  bs4 import BeautifulSoup
url = \'https://www.zhihu.com/hot\'
html = requests.get(url,verify = False).content.decode(\'utf-8\') # verify = False表示请求https
soup = BeautifulSoup(html,\'html.parser\')
name = soup.find_all(\'a\',target="_blank")
for i in name:
    print(i)

结果发现请求为空

5.从F12中提取出完整的请求头（也可以通过fiddler进行查看）

请求地址的host
请求的cookies
请求的User-Agent

# coding:utf-8
import requests
from  bs4 import BeautifulSoup
url = \'https://www.zhihu.com/hot\'
# 添加请求头
headers={
    "host":"www.zhihu.com",
    "cookie":\'_zap=482b5934-4878-4c78-84f9-893682c32b07; d_c0="ALCgSJhlsQ6PTpmYqrf51G\'
             \'HhiwoTIQIlS1w=|1545203069"; _xsrf=XrStkKiqUlLxzwMIqRDc01J7jikO4xby; q_c1=94622\'
             \'462a93a4238aafabad8c004bc41|1552532103000|1548396224000; __utma=51854390.1197068257.\'
             \'1552532107.1552532107.1552532107.1; __utmz=51854390.1552532107.1.1.utmcsr=zhihu.com|utmccn=(r\'
             \'eferral)|utmcmd=referral|utmcct=/; __utmv=51854390.100--|2=registration_date=20190314=1^3=entry_da\'
             \'te=20190125=1; z_c0="2|1:0|10:1552535646|4:z_c0|92:Mi4xcFRlN0RnQUFBQUFBc0tCSW1HV3hEaVlBQUFCZ0FsVk5Ya\'
             \'DUzWFFBWExTLXVpM3llZzhMb29QSmRtcjlKR3pRaTBB|03a1fa3d16c98e1688cdb5f6ba36082585d72af2f54597e370f05207\'
             \'cd3a873f"; __gads=ID=27a40a1873146c19:T=1555320108:S=ALNI_MYb5D7sBKFhvJj32HBQXgrhyC6xxQ; tgw_l7_route=7\'
             \'3af20938a97f63d9b695ad561c4c10c; tst=h; tshl=\',
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36",
}
html = requests.get(url,headers=headers,verify = False).content.decode(\'utf-8\') # verify = False表示请求https
soup = BeautifulSoup(html,\'html.parser\')
name = soup.find_all(\'a\',target="_blank")
for i in name:
    print(i.get_text())