Python3爬虫学习2：如何应对网站的反爬虫机制

如何应对网站的反爬虫机制

在访问某些网站的时候，网站通常会用判断访问是否带有头文件来鉴别该访问是否为爬虫，用来作为反爬取的一种策略。

例如打开搜狐首页，先来看一下Chrome的头信息（F12打开开发者模式）如下：



如图，访问头信息中显示了浏览器以及系统的信息（headers所含信息众多，具体可自行查询）

Python中urllib中的request模块提供了模拟浏览器访问的功能，代码如下：

from urllib import request

url = 'http://www.baidu.com'
# page = request.Request(url)
# page.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
print(page_info)

作者：Veniendeavor
链接：http://www.jianshu.com/p/486869f23959
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

可以通过add_header(key, value) 或者直接以参数的形式和URL一起请求访问，

urllib.request.Request()
urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

其中headers是一个字典，通过这种方式可以将爬虫模拟成浏览器对网站进行访问。

https://docs.python.org/3/library/urllib.request.html?highlight=request#module-urllib.request