对于反爬虫伪装浏览器进行爬虫

对于爬虫中部分网站设置了请求次数过多后会封杀ip，现在模拟浏览器进行爬虫，也就是说让服务器认识到访问他的是真正的浏览器而不是机器操作

简单的直接添加请求头，将浏览器的信息在请求数据时传入：

打开浏览器--打开开发者模式--请求任意网站

如下图：找到请求的的名字，打开后查看headers栏，找到User-Agent，复制。然后添加到请求头中

 

代码如下：

1 import requests
2 
3 url = 'https://www.baidu.com'
4 headers ={
5         'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) '
6                      'Chrome/65.0.3325.181 Safari/537.36'
7         }
8 rq = requests.get(url=url, headers=headers)
9 print(rq.text)

 

更深的伪装浏览器，添加多个浏览器信息，每次请求的时候随机发送浏览器信息，让服务器了解不是一个浏览器一直在访问，（可以百度查找user-agent）

代码如下：

 1 import requests
 2 import random
 3 
 4 url = 'https://www.baidu.com'
 5 headers_lists =(
 6         'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) '
 7                      'Chrome/65.0.3325.181 Safari/537.36',
 8         'Mozilla/4.0(compatible;MSIE7.0;WindowsNT5.1;Maxthon2.0',
 9         'Opera/9.80(Android2.3.4;Linux;Operamobi/adr-1107051709;U;zh-cn)Presto/2.8.149Version/11.10',
10         'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1',
11         'Mozilla/5.0(Android;Linuxarmv7l;rv:5.0)Gecko/Firefox/5.0fennec/5.0',)
12 
13 rq = requests.get(url=url,headers={'User-Agent':random.choice(headers_lists)})
14 print(rq.text)

 

完整的请求体解释：

以下是笔者访问百度的请求体。

 

Accept： 浏览器端可以接受的媒体类型

Accept-Encoding：浏览器申明自己接收的编码方法

Accept-Language： 浏览器申明自己接收的语言

Connection: keep-alive   客户端和服务器之间还在连接中，如果关闭就是close

Host: 请求报头域主要用于指定被请求资源的Internet主机和端口号

User-Agent：使用的操作系统和浏览器的名称和版本

Cookie:是用来存储一些用户信息以便让服务器辨别用户身份的

 

转载于:https://www.cnblogs.com/tynam/p/8809222.html