这篇文章也可以在我的博客查看
爬不了啊!!
最近一哥们跟我说百度爬虫爬不了 弹出:“百度安全验证”,“网络不给力,请稍后重试”
说到爬虫,这里指的是Python中最常用的requests库
我说怎么爬不了了?
user-agent加了吗?cookie加了吗?
他说都加了
我不信邪,试了一下,超,真的返回百度安全认证:
网络有说加Accept header的,我试了,也不行。 我的代码是这样的:
import requests
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36',
'Accept-Encoding': 'gzip, deflate, br',
'Cookie': '[yummy cookies ^_^]',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7'
}
response = requests.get('https://baidu.com/s', headers=headers)
response.encoding = 'utf-8'
print(response.text)
我纳闷了,怎么回事呢? 考虑到爬虫其实也是访问网站的过程 此时应该使用fiddler的Composer对需要爬取的报文进行调试 通过不断地增加、减少header项,最终得出必要的headers
到最后,发现请求百度所必须的数据其实只有:
以下是Fiddler Composer的raw输入
GET https://xueshu.baidu.com/s?wd=%E5%9B%BE%E5%83%8F%E9%87%8D%E5%BB%BA%E3%80%81%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0 HTTP/1.1
Host: xueshu.baidu.com
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36
Accept-Encoding: gzip, deflate, br
Cookie: [yummy cookies ^_^]
也就是:
User-AgentCookieAccept-Encoding
但是……我之前的代码已经包含这些了啊?还赠送了一个Accept呢?
分析真正问题
这是我突然意识到一个事儿……
说到底,Fiddler不也是机器人吗? 为啥Fiddler能发出去,但Python的requests发不出去啊 难道是requests被抓到小鸡脚了吗?
一波考虑之后 感觉有可能 Fiddler虽然也是机器人,但它作为一个流量转发工具,它很完善,行为更像浏览器 而requests相反,它本来就不是用作浏览器访问,而是以最轻便方式执行http请求
其中可能某些浏览器应有的行为,被requests阉割掉了,然后被百度识别出来了
爆破
好吧,但不管怎样,你百度还是需要提供服务的 requests虽然因为不是浏览器被你识别出来了,那我用浏览器访问你,你又该如何应对?
因此祭出爬虫的宇宙终极答案:无头浏览器
Selenium
Selenium是一个用于自动化浏览器操作的工具,常用于测试网页应用程序和执行Web任务 它提供了多种编程语言的客户端库,如Python、Java、C#等,用于控制浏览器的行为 通过编写代码,可以模拟用户在浏览器中的操作,比如点击链接、填写表单、提交数据等
OK很好,我们就用Selenium进行爬虫
安装环境
Selenium
我们需要下载python的Selenium库,执行:
pip install -U selenium
浏览器
你需要一个真的浏览器以进行网上冲浪,希望你有一个_
Linux shell玩家也可以安装浏览器 不过就不在此展开了
浏览器驱动
需要安装与你浏览器对应的浏览器驱动(Browse Driver)以供Selenium调用 这里也不详细展开,但大致分两种做法:
手动安装
注意下的是Driver,别下成浏览器本身了
无非就是到官网下,比如:
Chrome的最新版Chrome 114以前
自动安装
可以使用webdriver-manager Python库实现自动化安装管理
pip install webdriver-manager
调用就自动安装,比如Chrome:
from selenium import webdriver
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(ChromeDriverManager().install())
爬就爬,我最会爬了
那就给大伙用Selenium爬一个
编写以下代码,唯一需要注意的就是Driver的路径需要更改(我放到项目根目录了,所以直接写文件名):
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
# 我们并不需要浏览器弹出
options = Options()
options.headless = True
# 启动浏览器的无头模式,访问
# ========================================
# 注意:这是Selenium 4.10.0以下写法,高版本见下面
# ========================================
driver = webdriver.Chrome('chromedriver.exe', options=options)
driver.get("https://xueshu.baidu.com/s?wd=图像重建、深度学习")
# 获取页面的源代码
page_source = driver.page_source
# 输出页面源代码
print(page_source)
driver.quit()
❗在Selenium 4.10.0及以上版本,上面的代码会报错:
TypeError: WebDriver.__init__() got multiple values for argument 'options'
原因是webdriver的函数签名有改变,在高版本中,你需要显式指定service:
from selenium.webdriver.chrome.service import Service
s = Service('chromedriver.exe')
driver = webdriver.Chrome(service=s, options=options)
无头浏览器将会为你操办一切,直接访问到页面 不仅不需要cookie(在非登录的情况下),甚至连header都不需要
问题
你可能会感觉得到,这东西运行起来比requests慢 我只能说确实,因为它是真浏览器
但是……你真的需要快吗?
爬虫太快也是会被封IP的如果你配置了IP池、多线程一系列框架,还需要在乎这点速度差距吗?
慢还有一个好处,它更像人工行为了,它能难被检测出了,嘻嘻
那今天的爬虫就到这了,该睡觉了
文章链接
发表评论