静态网页爬虫②

爬取整个网站

为了爬取整个网站，我们得先分析该网站的数据是如何加载的。

还是以豆瓣读书为例，当我们点击第二页后，观察浏览器的地址栏，发现网址变了。网址变成了 https://book.douban.com/top250?start=25，和原来相比后面多了一个 ?start=25。

这部分被称为 查询字符串，查询字符串作为用于搜索的参数或处理的数据传送给服务器处理，格式是 ?key1=value1&key2=value2。

? 前面是网页的地址，后面是查询字符串。以键值对 key=value 的形式赋值，多个键值对之间用 & 连接在一起。例如 ?a=1&b=2 表示：a 的值为 1，b 的值为 2。

查询字符串用于信息的传递，服务器通过它就能知道你想要什么，从而给你返回对应的内容。比如你在知乎搜索 python，网址会变成 https://www.zhihu.com/search?type=content&q=python，后面的查询字符串告诉服务器你想要的是有关 python 的内容，于是服务器便将有关 python 的内容返回给你了。

了解了查询字符串的相关知识后，接下来我们多翻几页豆瓣读书的页面，观察一下网址的变化规律：

第二页 start=25，第三页 start=50，第十页 start=225，而每页的书籍数量是 25。你有没有发现其中的规律？

因为每页展示 25 本书，根据规律其实不难推测出 start 参数表示从第几本书开始展示，所以第一页 start 是 0，第二页 start 是 25，第三页 start 是 50，第十页 start 是 225。因此 start 的计算公式为 start = 25 * (页码数 - 1)（25 为每页展示的数量）。我们来通过代码自动生成豆瓣图书 Top250 所有数据（10 页）的地址：

url = 'https://book.douban.com/top250?start={}'
# num 从 0 开始因此不用再 -1
urls = [url.format(num * 25) for num in range(10)]
print(urls)
# 输出：
# [
#   'https://book.douban.com/top250?start=0',
#   'https://book.douban.com/top250?start=25',
#   'https://book.douban.com/top250?start=50',
#   'https://book.douban.com/top250?start=75',
#   'https://book.douban.com/top250?start=100',
#   'https://book.douban.com/top250?start=125',
#   'https://book.douban.com/top250?start=150',
#   'https://book.douban.com/top250?start=175',
#   'https://book.douban.com/top250?start=200',
#   'https://book.douban.com/top250?start=225'
# ]

有了所有网页的链接后，我们就可以爬取整个网站的数据了！

我们可以修改代码，将前文中的豆瓣top250进行整个的爬取：

import requests
from bs4 import BeautifulSoup

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.41 Safari/537.36 Edg/101.0.1210.32'
}

num = 0

# 为了对整个豆瓣进行爬取，我们先对数据处理的部分进行封装

def getTarget(url):
    global num
    #首先对网页发出请求并获得响应
    req = requests.get(url,headers = headers)
    #将网页的源代码形式解析
    soup = BeautifulSoup(req.text,'html.parser')
    
    #进行元素的第一次提取
    result1 = soup.select('.item .pic')
    
    for i in result1:
        num += 1
        name = i.select('a img')[0]['alt']
        link = i.select('a')[0]['href']
        print(num,' ',name,link)
        


for i in range(0,230,25):
    address = 'https://movie.douban.com/top250?start={}'.format(i)
    getTarget(address)
    # 暂停 1 秒防止访问太快被封
    time.sleep(1)

结果(不完整)：

反爬虫

反爬虫 是网站限制爬虫的一种策略。它并不是禁止爬虫（完全禁止爬虫几乎不可能，也可能误伤正常用户），而是限制爬虫，让爬虫在网站可接受的范围内爬取数据，不至于导致网站瘫痪无法运行。

常见的反爬虫方式有 判别身份 和 IP 限制 两种，我们一一介绍，并给出相应的反反爬虫技巧。

判别身份

有些网站在识别出爬虫后，会拒绝爬虫的访问，比如豆瓣。我们以豆瓣图书 Top250 为例，用浏览器打开是下面这样的：

如果用爬虫直接爬取它，我们看看结果会是什么：

import requests

res = requests.get('https://book.douban.com/top250')
print(res.text)

输出结果为空，什么都没有。这是因为豆瓣将我们的爬虫识别了出来并拒绝提供内容。

你可能会有疑问，爬虫不是模拟浏览器访问网站、获取网页源代码的吗？怎么会被识别出来呢？

其实，不管是浏览器还是爬虫，访问网站时都会带上一些信息用于身份识别。而这些信息都被存储在一个叫 请求头（request headers）的地方。

服务器会通过请求头里的信息来判别访问者的身份。请求头里的字段有很多，我们暂时只需了解 user-agent（用户代理）即可。user-agent 里包含了操作系统、浏览器类型、版本等信息，通过修改它我们就能成功地伪装成浏览器。

我们可以根据下图的指示操作，看看请求头长什么样：

我的浏览器的 user-agent 是 Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36，而 requests 默认的 user-agent 是 python-requests/2.22.0。

默认的 user-agent 和在头上贴着“我是爬虫”的纸条没有什么区别，难怪会被服务器识别出来。因此我们需要修改请求头里的 user-agent 字段内容，将爬虫伪装成浏览器。所以接下来我们来看看如何在 requests 库中修改请求头。

我们打开 requests 的官方文档（http://cn.python-requests.org/zh_CN/latest/）并搜索 定制请求头，找到对应的文档：

在 requests 的官方文档中我们可以看到，我们只需定义一个 字典（请求头字段作为键，字段内容作为值）传递给 headers 参数即可。

除了 user-agent 之外的其他请求头字段也能以同样的方式添加进去，但大部分情况下我们只需要添加 user-agent 字段即可（有些甚至不需要）。当我们加了 user-agent 字段还是无法获取到数据时，说明该网站还通过别的信息来验证身份，我们可以将请求头里的字段都添加进去试试。

判别身份是最简单的一种反爬虫方式，我们也能通过一行代码，将爬虫伪装成浏览器轻易地绕过这个限制。所以，大部分网站还会进行 IP 限制 防止过于频繁的访问。

IP 限制

IP（Internet Protocol）全称互联网协议地址，意思是分配给用户上网使用的网际协议的设备的数字标签。你可以将 IP 地址理解为门牌号，我只要知道你家的门牌号就能找到你家。

IP 地址也是一样，只要知道服务器的 IP 地址就能找到对应的服务器。你在网上冲浪时电脑也会被分配一个 IP 地址，这样服务器就知道是谁在访问他们的网站了。

前面说过，当我们爬取大量数据时，如果我们不加以节制地访问目标网站，会使网站超负荷运转，一些个人小网站没什么反爬虫措施可能因此瘫痪。而大网站一般会限制你的访问频率，因为正常人是不会在 1s 内访问几十次甚至上百次网站的。

所以，如果你访问过于频繁，即使改了 user-agent 伪装成浏览器了，也还是会被识别为爬虫，并限制你的 IP 访问该网站。

因此，我们常常使用 time.sleep() 来降低访问的频率，比如前文中的爬取整个网站的代码，我们每爬取一个网页就暂停一秒。这样，对网站服务器的压力不会太大，对方也就睁一只眼闭一只眼不理会我们的爬虫。虽然速度较慢，但也能获取到我们想要的数据了。

除了降低访问频率之外，我们也可以使用代理来解决 IP 限制的问题。代理的意思是通过别的 IP 访问网站。这样，在 IP 被封后我们可以换一个 IP 继续爬取数据，或者每次爬取数据时都换不同的 IP，避免同一个 IP 访问的频率过高，这样就能快速地大规模爬取数据了。

我们打开官方文档，看看如何使用代理：

和 headers 一样，也是定义一个字典，但传递给的是 proxies 参数。我们需要将 http 和 https 这两种协议作为键，对应的 IP 代理作为值，最后将整个字典作为 proxies 参数传递给 requests.get() 方法即可。IP 代理有免费的和收费的，你可以自行在网上寻找。

提示：http 和 https 都是浏览器和服务器之间通讯的协议，https 更加的安全，也被越来越多的网站所使用。

官方文档中给了代理的基本用法，但在爬取大量数据时我们需要很多的 IP 用于切换。因此，我们需要建立一个 IP 代理池（列表），每次从中随机选择一个传给 proxies 参数。我们来看一下如何实现：

import requests
import random
from bs4 import BeautifulSoup

def get_douban_books(url, proxies):
  headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
  }
  # 使用代理爬取数据
  res = requests.get(url, proxies=proxies, headers=headers)
  soup = BeautifulSoup(res.text, 'html.parser')
  items = soup.find_all('div', class_='pl2')
  for i in items:
    tag = i.find('a')
    name = tag['title']
    link = tag['href']
    print(name, link)

url = 'https://book.douban.com/top250?start={}'
urls = [url.format(num * 25) for num in range(10)]
# IP 代理池（瞎写的并没有用）
proxies_list = [
  {
    "http": "http://10.10.1.10:3128",
    "https": "http://10.10.1.10:1080",
  },
  {
    "http": "http://10.10.1.11:3128",
    "https": "http://10.10.1.11:1080",
  },
  {
    "http": "http://10.10.1.12:3128",
    "https": "http://10.10.1.12:1080",
  }
]
for i in urls:
  # 从 IP 代理池中随机选择一个
  proxies = random.choice(proxies_list)
  get_douban_books(i, proxies)

这样，我们就能既快速又不会被限制地爬取数据了。但毫无节制的爬虫已经和网络攻击没什么区别了，严重的甚至会导致网站瘫痪。恶意地大量访问别人的网站，消耗服务器资源是非常不道德、甚至违法的。

其实，除了反爬虫措施远不只这两种。比如验证码，当你的操作异常时网站经常会弹出验证码。验证码技术也在不断地升级，从原先简单的随机生成的数字字母，演变成随机汉字，再由按顺序点击图中对应的汉字演变成滑块拼图。

还有些验证码是一个数学题，你得计算出答案。像 12306 的验证码就更复杂了，需要识别出图中的物体。验证码的形式千千万万，破解起来也较为困难。我们这里不涉及。

了解了一些反爬虫措施和反反爬虫技巧后，我们来看看爬虫中的君子协议—robots.txt。

robots.txt

robots.txt 是一种存放于网站根目录下的文本文件，用于告诉爬虫此网站中的哪些内容是不应被爬取的，哪些是可以被爬取的。

我们只要在网站域名后加上 /robots.txt 即可查看，比如豆瓣读书的 robots.txt 地址是：https://book.douban.com/robots.txt。打开它后的内容如下：

User-agent: *
Disallow: /subject_search
Disallow: /search
Disallow: /new_subject
Disallow: /service/iframe
Disallow: /j/

User-agent: Wandoujia Spider
Disallow: /

User-agent: * 表示针对所有爬虫（* 是通配符），接下来是符合该 user-agent 的爬虫要遵守的规则。比如 Disallow: /search 表示禁止爬取 /search 这个页面，其他同理。

robots.txt 也能针对某一个爬虫限制，比如最后的 User-agent: Wandoujia Spider 表示针对 Wandoujia Spider 这个爬虫，Disallow: / 表示禁止整个网站的爬取。

但我们说过，robots.txt 只是一个君子协议，网站只是告诉大家哪些页面禁止爬取数据，并不能阻止你去爬取。即便如此，我们还是应该遵守规则，下次在爬取网站时，记得先打开该网站的 robots.txt 查看哪些页面可以爬取数据，哪些页面禁止爬取数据。