本系列内容均参考于教程:网络爬虫是什么 (biancheng.net)
为自留用,用于在将来的学习中温故而知新
今日内容:什么是用户代理和重构爬虫UA信息
1.用户代理是什么
User-Agent 即用户代理,简称“UA”,它是一个特殊字符串头。网站服务器通过识别 “UA”来确定用户所使用的操作系统版本、CPU 类型、浏览器版本等信息。而网站服务器则通过判断 UA 来给客户端发送不同的页面。
我们知道,网络爬虫使用程序代码来访问网站,而非人类亲自点击访问,因此爬虫程序也被称为“网络机器人”。绝大多数网站都具备一定的反爬能力,禁止网爬虫大量地访问网站,以免给网站服务器带来压力。本节即将要讲解的 User-Agent 就是反爬策略的第一步。
网站通过识别请求头中 User-Agent 信息来判断是否是爬虫访问网站。如果是,网站首先对该 IP 进行预警,对其进行重点监控,当发现该 IP 超过规定时间内的访问次数, 将在一段时间内禁止其再次访问网站。
2.编写一个获取爬虫UA的程序
代码部分:
输出部分:
从输出结果可以看出,User-Agent 竟然是 Python-urllib/3.7,这显然是爬虫程序访问网站。因此就需要重构 User-Agent,将其伪装成“浏览器”访问网站。
注意:httpbin.org 这个网站能测试 HTTP 请求和响应的各种信息,比如 cookie、IP、headers 和登录验证等,且支持 GET、POST 等多种方法,对 Web 开发和测试很有帮助。
3.重构爬虫UA信息
代码部分:
(这里使用的UA是我的本机UA,但因为太长了所以无法显示完整)
输出部分:
上述代码重构了 User-Agent 字符串信息,将其伪装成了Windows火狐浏览器,这样就解决了网站通过识别 User-Agent 来封杀爬虫程序的问题。
附录:
1.常见UA汇总表
2.在线UA检测网站:UserAgent查看/UA检测 - 在线工具 (buyaocha.com)