Python爬虫技术之cfscrape库的相关知识(绕过5秒机器人检测)

一、关于cfscrape库

cfscrape准确来说是用来绕过机器人协议及检测的,有些网站会在机器人协议里表明哪些网址可以爬,哪些不能爬,当然作为君子协议,本身是没有太大约束的,但是对于新手而言,却十分痛苦,因为协议的原因,导致网站不能正常爬取,所以就发现了一个宝藏模块cfscrape,当然就算绕过机器人协议,后续也会遇到更多的反爬手段,因为一般网站不会详细设置机器人协议的,如果设置了,大概率会增加很多反爬措施,不然没理由就设置个机器人协议,咳咳咳,懂得都懂。当然现在仅此讲cfscrape库。

1、机器人协议

1.1 基本概念

一般爬虫开始,返回的状态码是200,代表目前是正常的,可以继续爬取,但如果机器人协议恰好把你的网址某一段给禁止的话,估计就会报503错误。
在这里插入图片描述

1.2 查看机器人协议

1.2.1 格式

网址+.robots.txt

1.2.2 例如百度的机器人协议
https://www.baidu.com/robots.txt

在这里插入图片描述
等等。。。。
因此为了绕过机器人协议及五秒检测。便有了cfscrape模块

2、cfscrape的安装及使用

2.1 官方文档网址

链接: cfscrape 2.1.1文档
其实官方文档写得很详细。

2.2 操作命令

(1)直接安装库

pip install cfscrape

(2)如果用pycharm或IDEA做的话,让软件自动导入就可以了。

2.3 python版本要求

Python versions 2.6 - 3.7 ,其它的都用不了

二、使用cfscrape库

1、相关代码

# 绕过机器人验证
scraper = cfscrape.create_scraper()

# 抓取网站的URL地址,设置最大响应时间为60
rsp = scraper.get(url, timeout=60)

#查看状态码
print("状态码是:" + str(rsp.status_code))

#获取网站源码
webdata = scraper.get("http://somesite.com").content

后续再配合Beautiful Soup库 或者 Selenium库都可以爬取,之后就看自己能力了。

2、注意

爬虫归爬虫,我们一定要遵纪守法,不给相关网站人员添麻烦,找trouble,遵守底线。

  • 0
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

熊凯瑞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值