2.python爬虫伪装
一. 需求：
1.由于某些网页为了不让爬虫爬，有些时候会检查浏览器头Request Header，然后直接断网不让你爬。（如煎蛋网，学完可以去试试）
2.对于爬虫的频繁操作，有时候网页可能看某一ip出现的次数太多也会将其断网。
二. 伪装浏览器头(Request Header)
先上代码：
def download_html(self, url):
header = {'Cookie' : 'rpln_guide=1; TIEBA_USERTYPE=26aac53c8dd34f8265bc3afb; bdshare_firstime=1454400287585; BIDUPSID=445BDAE5291A8082504B28A8B222428F; BAIDUID=9898ADD03EE8046FCEF6715C7507BCA9FG=1; PSTM=1456401045; TIEBAUID=69f9537ad7e26c90dcfeb337; BDUSS=khLY1k5ajNtUDRJRHBLc0VDbkJ1Nm8yfmlGOS01bFJ4VUI0bkFSUGNHbEltMzlYQVFBQUFBJCQAAAAAAAAAAAEAAABLl9EpSDk5MjEwOTg5OAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAEgOWFdIDlhXW; BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; H_PS_PSSID=1447_19860_17001_11506_20592_20848_20856_20836_20771_20781; LONGID=701601611; wise_device=0',
'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36',
'Referer' : 'http//tieba.baidu.com/p/4730677633?see_lz=1&pn=2',
'Host' : 'tieba.baidu.com',
#'Accept-Encoding' : 'gzip, deflate, sdch',
'Accept-Language' : 'zh-CN,zh;q=0.8',
'Connection' : 'keep-alive',
'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Upgrade-Insecure-Requests' : '1',
}
request = urllib2.Request(url, None, header)
response = urllib2.urlopen(request)
return response.read()
一个一个改就行了，或者用我自己写的自动化工具，将原文复制之后跑一下，生成res.txt里面文字直接复制就可以，不用手动每个都自己改。
附上自动化工具代码：
if __name__ == "__main__":
dic = {}
while True:
s = raw_input()
if len(s) == 0:
break
list = s.split(':')
key = '\'' + list[0] + '\''
value = '\''
for s in list[1:]:
value += s
value += '\'' + ','
dic[key] = value
fout = open("res.txt", "w")
for key in dic.keys():
fout.write( "%s : %s\n" %(key, dic[key]))其实一般情况下只要修改user-agent就好了，有些网站防盗链可能需要修改Referer。
三. 伪装IP
这是因为有些网页不让同一个ip对其频繁访问，于是禁止某一个ip。
法一：
可以通过修改X-Forwarded-For，伪装成多个ip来进行抓取。代码如下：
def download_html(url):
ip = ['121.31.159.197', '175.30.238.78', '124.202.247.110']
header = {'user-agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36',
'X-Forwarded-For': ip[random.randint(0, 2)]}
request = urllib2.Request(url, None, header)
response = urllib2.urlopen(request)
return response.read()可以尝试抓取https://www.whatismyip.com/?iref=home上面的ip地址，来验证自己当前的ip。程序代码如下：
# -*- coding: UTF-8 -*-
import random
import urllib2
from bs4 import BeautifulSoup
def parser(url, html):
data = {}
soup = BeautifulSoup(html, "html.parser")
#
summary = soup.find('div', class_ = "ip")
data['summary'] = summary.get_text()
return data
def download_html(url):
ip = ['121.31.159.197', '175.30.238.78', '124.202.247.110']
header = {'user-agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36',
'X-Forwarded-For': ip[random.randint(0, 2)]}
request = urllib2.Request(url, None, header)
response = urllib2.urlopen(request)
return response.read()
def output(data):
print data['summary']
if __name__ == "__main__":
url = "https://www.whatismyip.com/"
html = download_html(url)
data = parser(url, html)
output(data)
不过这种方法实际上还是使用当前的ip进行抓取，如果真正要使用别的ip要用以下方法。
法二：
对于我们使用urllib2.urlopen(url)的过程，实际上是先产生一个opener，然后用这个opener去打开网页，opener是一个OpenerDirector()类的对象，我们可以用urllib2.build_opener(ProxyHandler)来建立一个opener，里面的参数是一个handler，用来管理代理，cookies等一切乱七八糟的东西。修改ip的handler是一个ProxyHandler类的实例。
如果加入urllib2.install_opener(opener)，那么urllib2的opener就是全局的，也就是说，用urllib2.urlopen()的时候用的就是这个已经被安装的opener，当然可以直接用这个opener.open(url)去打开一个url。
过程如下：
1. 生成一个处理器opener = OpenerDirector()对象。
2. 给这个处理器对象加入处理器opener.add_handler(handler)
3. 使用打开方法，即opener.open(url)
ProxyHandler = urllib2.ProxyHandler({'https': 'http://61.191.198.174/'})
opener = urllib2.build_opener(ProxyHandler)
urllib2.install_opener(opener)
request = urllib2.Request(url, None, header)
response = opener.open(request)
但是使用这种方法，如果找不到合适的代理，是打不开网页的。