Python爬虫之怼破反爬虫机制

一、准备

• 先要准备一个浏览器，然后会解析头，当然，其他软件（如burpsuit也行）。
• 然后选择一个网站。

二、正式开始

1. 选好了网站：
   2. 我们尝试直接用普通的代码爬一下：

from bs4 import BeautifulSoup
import requests
import urllib
def main():
    result = requests.get("https://www.xxxxx.com/jobs/list_?px=new&gx=%E5%AE%9E%E4%B9%A0&gj=&xl=%E6%9C%AC%E7%A7%91&hy=%E"
                          "7%A7%BB%E5%8A%A8%E4%BA%92%E8%81%94%E7%BD%91&isSchoolJob=1&city=%E5%85%A8%E5%9B%BD#filterBox"
                         )

    print result.content

if  __name__=="__main__":
    main()

的出来的结果是3. 很遗憾，爬不出来，这是因为这个网站设置了反爬虫机制，怎么办呢？

• 我们回想一下，为什么我们用浏览器可以访问，而用requests访问不了呢？
• 那是因为我们缺少相应的‘头’信息！
• 那我们就加上头！

#coding=utf-8
from bs4 import BeautifulSoup
import requests
import urllib
def main():
    #创建一个头（请求头）
    header={

        "Host":"www.xxxxx.com",
        "Referer":"https://www.xxxxx.com/jobs/list_?px=new&gx=%E5%AE%9E%E4%B9%A0&gj=&hy=%E7%A7%BB%E5%8A%A8%E4%BA%92%E8%"
                  "81%94%E7%BD%91&isSchoolJob=1&city=%E5%85%A8%E5%9B%BD",
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:68.0) Gecko/20100101 Firefox/68.0"
    }

    result = requests.get("https://www.xxxxx.com/jobs/list_?px=new&gx=%E5%AE%9E%E4%B9%A0&gj=&xl=%E6%9C%AC%E7%A7%91&hy=%E"
                          "7%A7%BB%E5%8A%A8%E4%BA%92%E8%81%94%E7%BD%91&isSchoolJob=1&city=%E5%85%A8%E5%9B%BD#filterBox"
                          ,headers=header)

    print result.content

if  __name__=="__main__":
    main()

这里需要注意一下：

• Referer：你从哪个网站跳过来的
• Host：主网站
• user-agent：这是必须加进去的，不管是使用urllib还是requests还是scrapy框架

然后我们再试一下：（直接上对比图）
看到了吧~压根没数据！这时候就根据开发经验，可以晓得：

• 这个很可能是通过异步数据加载来完成数据填充的，即Ajax

我们可以过滤Ajax包，就可以直接拿到它的数据了。

• 这里我们这样过滤：选择XHR
• 看到positionAjax吧啦吧啦的，选它
• 查看当前内容，发现是POST请求！
• 修改GET为POST，并且补充相应的表单数据（form_data）
• 修改POST请求的链接为相应的***Ajax包的地址***，修改后代码如下：

   header={

        "Host":"www.lagou.com",
        "Referer":"https://www.xxxxx.com/jobs/list_?px=new&gx=%E5%AE%9E%E4%B9%A0&gj=&xl=%E6%9C%AC%E7%A7%91&hy=%E7%A7%BB"
                  "%E5%8A%A8%E4%BA%92%E8%81%94%E7%BD%91&isSchoolJob=1&city=%E5%85%A8%E5%9B%BD",
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:68.0) Gecko/20100101 Firefox/68.0",
        "X-Anit-Forge-Code" : "0",
        "X-Anit-Forge-Token": None,
        "X-Requested-With":"XMLHttpRequest"
    }
    # POST还会发送一些数据体：“表单数据”
    form_data = {
    "first": "true",
    # 第几页
    "pn": "1",
    # 查询的关键字
    "kd": ""
    }

    result = requests.post("https://www.xxxxx.com/jobs/positionAjax.json?xl=%E6%9C%AC%E7%A7%91&hy=%E7%A7%BB%E5%8A%A8%E4%"
                           "BA%92%E8%81%94%E7%BD%91&px=new&gx=%E5%AE%9E%E4%B9%A0&needAddtionalResult=false&isSchoolJob=1"
                          ,headers=header, data=form_data)

然后检查一下json里面的内容，发现结构是这样的：
即： [‘content’][‘positionResult’][‘result’]

• 因为是json包，所以可以用json模块进行分析（解析）

    json_result = result.json()
    positions = json_result['content']['positionResult']['result']
    #使用json模块格式化内容，不采用ascii格式
    line = json.dump(positions,ensure_ascii=False)
    #这里普及一下文件输入输出格式：w写 r读 rw rb...
    with open("spider.json",'w') as fp:
        #采用utf-8编码
        fp.write(line.encode('utf-8'))

好了，到了这一步，分析基本差不多了。可以由 ‘pn’ 页数来一页一页爬

但是！这个网站，又搞了一个反爬虫机制：不能连续爬，连续爬的后果是：

“您操作太频繁,请稍后再访问”
content没数据

怎么解决呢，emmm，最方便的就是

import time
time.sleep(3)

够简单吧。。。（当然，还是有可能爬不出来）

三、过滤数据

这个比较简单：用个字典，把需要报讯的额保存起来，这里就不展开讲了