Python爬虫 之UA伪装

网页采集器-UA伪装

一、UA的概念

UA指的是User-Agent，这是一个请求头信息，是请求载体的身份标识。

二、UA检测（反爬机制）

门户网址的服务器会检测对应请求载体身份标识。
如果检测到请求的载体身份标识为某一款浏览器，意味这当前的用户请求是一个通过浏览器发起的正常的请求。说明是一个正常的请求（用户通过浏览器发出的请求）。
但是，如果检测到的请求的载体身份标识不是基于某一款浏览器的，则表示该请求为一个不正常的请求（是一个爬虫请求）。则服务器端很有可能拒绝该次请求。
为了让我们的请求每次都成功，我们要进行UA伪装。

三、UA伪装（反反爬策略）

让爬虫对应的请求载体身份标识伪装成某一款浏览器。
方法：将对应的User-Agent封装到一个字典中。

四、项目实例

需求：
简易网页采集器。通过输入一个关键词，来爬取搜狗浏览器该关键词的页面信息，同时使用UA伪装来伪装自己的载体身份。

代码实现：

import requests

if __name__ == '__main__':
    url = 'https://www.sogou.com/web'
    # UA伪装：将User-Agent封装到一个字典中
    # 可以是任意的浏览器头信息
    header = {
       'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3775.400 QQBrowser/10.6.4208.400'
    }
    # 处理url携带的参数：封装到字典中
    kw = input('请输入要查找用户的名字信息：（如Water_Coder）')
    param = {
        'query':kw
    }
    # 对指定的url发起的请求对应的url是携带参数的，并且请求过程中处理了参数
    # headers是当前发起载体的身份标识
    # 当前爬取信息的不再是一个爬虫程序，而是伪装成了一个浏览器
    response = requests.get(url=url,params=param,headers=header)
    page_text = response.text
    # 打印爬取到的信息
    print(page_text)
    print('信息爬取成功！！！')