1.爬取的背景
为甚我们会提到“搜狗引擎爬虫呢”，一切根源来自于最近需要爬取领英的会员资料，我们可以通过人名 | 领英的方式具体的搜索以查询结果，这只是爬取领英的其中一个方法，具体的方法我们之后会讲，大家可以期待一下哦！，好了，讲回正题，我们该如何爬取“搜狗引擎”呢，我们先去首页看看
我们可以看到每个链接的右下角都会有对应的时间和快照，这个是什么意思呢，因为我们爬取领英时需要登录，如果我们不登陆的去访问领英，可以看到的只是一部分信息，但是这些信息也是足够了，问题在于我们不是每次访问领英都可以看得到具体的会员页，它会根据IP访问次数来限制你查看的会员页，比如：你查看10个左右的会员页之后会自动跳转到登录页，而我们并不想登录，原因之后再说。所以，在我们没有足够的IP去访问领英页面的时候怎么办？？？
答案就是：去爬“搜狗引擎”已经爬取好的缓存页-也就是快照页，这样我们等于变相去“假装”拥有大量IP去爬取领英了。
2.搜狗的反爬措施
搜狗虽然名气没有百度的大，但是也算是搜索引擎中比较知名的，毕竟可以背靠“腾讯”大佬，靠着微信搜索上一波流量，可以说，搜索在反爬这一方面也是挺下功夫的，大家可以看看“搜狗”关于爬虫的招聘
具体可以参考这里
不过他们貌似对于搜索方面的反爬限制的不是很严格，毕竟对于搜索来说，过于严苛的反爬反而对于用户的交互不是很理想， 我们来看看搜索之后的请求Cookie。
经过我测试，发现其中有几个参数异常重要，也是影响搜索反爬虫措施的关键参数，SUID、SNUID以及SUV。
SUID
SUID具体的含义可以自行百度，这里只讲述它生成的过程。当我们访问sogou搜索首页的时候，set-cookies中便会生成一个SUID参数的内容，除非重启浏览器，不然短时间内SUID并不会改变。SUID的值应该是sogou服务端随便分配的，只有当重新开启一个session时它的值才会更新。
SNUID
SNUID是sogou反爬虫的重点，sogou也是对同一个SNUID访问次数做了限制，而超过限制后，会跳转到验证码页面，只有输入验证码重新验证以后，SNUID才会更新，访问才能继续进行。那么SNUID是如何生成的呢？经过测试，应该是由javascript生成的，当然前提是要有SUID，SUID是生成SNUID的基础。
SUV
SUV参数内容是由javascript生成的，测试并没有发现其对于反爬虫有何影响，故本文不做详细介绍。
被屏蔽现象
同样，要解决反爬虫问题，我们先来看看触发反爬虫的现象。当同一个SNUID访问次数受限后，继续访问sogou会跳转到一个验证码页面。
URL地址：
http://www.sogou.com/antispider/?from=%2fweb%3Fquery%3d152512wqe%26ie%3dutf8%26_ast%3d1488957312%26_asf%3dnull%26w%3d01029901%26p%3d40040100%26dp%3d1%26cid%3d%26cid%3d%26sut%3d578%26sst0%3d1488957299160%26lkt%3d3%2C1488957298718%2C1488957298893
大家可以看一下，是因为访问的过于频繁，导致需要验证码。
这里，搜狗有个心机，他们说是由于IP问题，导致大多数人会从IP这点去考虑，然而，真相往往隐藏在深处.....
看看这个页面的源码
HTTP/1.1 200 OK
Server: nginx
Date: Thu, 27 Oct 2016 04:41:19 GMT
Content-Type: text/html
Connection: keep-alive
X-Powered-By: PHP/5.3.3
Expires: Thu, 19 Nov 1981 08:52:00 GMT
Cache-Control: no-store, no-cache, must-revalidate, post-check=0, pre-check=0
Pragma: no-cache
Content-Length: 5130
搜狗搜索
您的访问出错了返回首页>>
自动化生成SNUID
虽然知道了SNUID值生成的过程，但只有实现了自动化生成，才能正真绕过反爬虫的限制。
通过访问验证码页面获取
当访问验证码页面，并填写验证码完成验证后，会重新生成一个新的SNUID，而此请求可以重复发送（不需要再次输入验证码），每次发送都会生成一个新的SNUID。
通过模拟浏览器访问，执行javascript
可以利用phantomjs去爬取sogou页面，也能获取SNUID值。
获取SNUID代码
#! -*- coding:utf-8 -*-
'''
获取SNUID的值
'''
import requests
import json
import time
import random
'''
方法（一）通过phantomjs访问sogou搜索结果页面，获取SNUID的值
'''
def phantomjs_getsnuid():
from selenium import webdriver
d=webdriver.PhantomJS('D:\python27\Scripts\phantomjs.exe',service_args=['--load-images=no','--disk-cache=yes'])
try:
d.get("https://www.sogou.com/web?query=")
Snuid=d.get_cookies()[5]["value"]
except:
Snuid=""
d.quit()
return Snuid
'''
方法（二）通过访问特定url，获取body里面的id
'''
def Method_one():
url="http://www.sogou.com/antispider/detect.php?sn=E9DA81B7290B940A0000000058BFAB0&wdqz22=12&4c3kbr=12&ymqk4p=37&qhw71j=42&mfo5i5=7&3rqpqk=14&6p4tvk=27&eiac26=29&iozwml=44&urfya2=38&1bkeul=41&jugazb=31&qihm0q=8&lplrbr=10&wo65sp=11&2pev4x=23&4eyk88=16&q27tij=27&65l75p=40&fb3gwq=27&azt9t4=45&yeyqjo=47&kpyzva=31&haeihs=7&lw0u7o=33&tu49bk=42&f9c5r5=12&gooklm=11&_=1488956271683"
headers={"Cookie":
"ABTEST=0|1488956269|v17;\
IPLOC=CN3301;\
SUID=E9DA81B7290B940A0000000058BFAB6D;\
PHPSESSID=rfrcqafv5v74hbgpt98ah20vf3;\
SUIR=1488956269"
}
try:
f=requests.get(url,headers=headers).content
f=json.loads(f)
Snuid=f["id"]
except:
Snuid=""
return Snuid
'''
方法（三）访问特定url，获取header里面的内容
'''
def Method_two():
url="https://www.sogou.com/web?query=333&_asf=www.sogou.com&_ast=1488955851&w=01019900&p=40040100&ie=utf8&from=index-nologin"
headers={"Cookie":
"ABTEST=0|1488956269|v17;\
IPLOC=CN3301;\
SUID=E9DA81B7290B940A0000000058BFAB6D;\
PHPSESSID=rfrcqafv5v74hbgpt98ah20vf3;\
SUIR=1488956269"
}
f=requests.head(url,headers=headers).headers
print f
'''
方法（四）通过访问需要输入验证码解封的页面，可以获取SNUID
'''
def Method_three():
'''
http://www.sogou.com/antispider/util/seccode.php?tc=1488958062 验证码地址
'''
'''
http://www.sogou.com/antispider/?from=%2fweb%3Fquery%3d152512wqe%26ie%3dutf8%26_ast%3d1488957312%26_asf%3dnull%26w%3d01029901%26p%3d40040100%26dp%3d1%26cid%3d%26cid%3d%26sut%3d578%26sst0%3d1488957299160%26lkt%3d3%2C1488957298718%2C1488957298893
访问这个url，然后填写验证码，发送以后就是以下的包内容，可以获取SNUID。
'''
import socket
import re
res=r"id\"\: \"([^\"]*)\""
s=socket.socket(socket.AF_INET,socket.SOCK_STREAM)
s.connect(('www.sogou.com',80))
s.send('''
POST http://www.sogou.com/antispider/thank.php HTTP/1.1
Host: www.sogou.com
Content-Length: 223
X-Requested-With: XMLHttpRequest
Content-Type: application/x-www-form-urlencoded; charset=UTF-8
Cookie: CXID=65B8AE6BEE1CE37D4C63855D92AF339C; SUV=006B71D7B781DAE95800816584135075; IPLOC=CN3301; pgv_pvi=3190912000; GOTO=Af12315; ABTEST=8|1488945458|v17; PHPSESSID=f78qomvob1fq1robqkduu7v7p3; SUIR=D0E3BB8E393F794B2B1B02733A162729; SNUID=B182D8EF595C126A7D67E4E359B12C38; sct=2; sst0=958; ld=AXrrGZllll2Ysfa1lllllVA@rLolllllHc4zfyllllYllllljllll5@@@@@@@@@@; browerV=3; osV=1; LSTMV=673%2C447; LCLKINT=6022; ad=6FwTnyllll2g@popQlSGTVA@7VCYx98tLueNukllll9llllljpJ62s@@@@@@@@@@; SUID=EADA81B7516C860A57B28911000DA424; successCount=1|Wed, 08 Mar 2017 07:51:18 GMT; seccodeErrorCount=1|Wed, 08 Mar 2017 07:51:45 GMT
c=6exp2e&r=%252Fweb%253Fquery%253Djs%2B%25E6%25A0%25BC%25E5%25BC%258F%25E5%258C%2596%2526ie%253Dutf8%2526_ast%253D1488957312%2526_asf%253Dnull%2526w%253D01029901%2526p%253D40040100%2526dp%253D1%2526cid%253D%2526cid%253D&v=5
''')
buf=s.recv(1024)
p=re.compile(res)
L=p.findall(buf)
if len(L)>0:
Snuid=L[0]
else:
Snuid=""
return Snuid
def getsnuid(q):
while 1:
if q.qsize()<10:
Snuid=random.choice([Method_one(),Method_three(),phantomjs_getsnuid()])
if Snuid!="":
q.put(Snuid)
print Snuid
time.sleep(0.5)
if __name__=="__main__":
import Queue
q=Queue.Queue()
getsnuid(q)
cookie问题解决方案
- SUID的值获取比较简单，直接访问sogou即可获取。
- 获取到SUID的值后，再去获取SNUID值（可通过以上几种方式）
- 获取到SNUID后，可保存到队列中。
说明：SNUID的值如果不去使用它，可以存放很久，直到使用它到上限才会作废；SUID一般不会做次数限制，可以一直使用。
3. 最终成型方案
本次爬取采用的就是最简单、暴力、易懂的策略，即强行多次试验发现，SNUID的值的上限次数大概是100次左右，我们保险一点，我们每爬取50页我们就重新以无cookie身份去获取依次SNUID，这样我们就能保证SNUID的稳定性，另外还有一点重要的是，最近搜狗加紧了限制，对于IP也做了限制，因此，不是我们每次去访问都会获取SNUID，因此，我们需要多个IP，这点大家可以考虑使用一些开源的IP池，本人目前也在开发开源的IP池，大家感兴趣可以关注一波，我的终身项目哦哦！！！