通过Python爬虫 * 快速增加博客阅读量
作者：Data&Truth 发布时间：2023-08-17 16:17:55
写在前面
题目所说的并不是目的，主要是为了更详细的了解网站的反爬机制，如果真的想要提高博客的阅读量，优质的内容必不可少。
了解网站的反爬机制
一般网站从以下几个方面反爬虫：
1. 通过Headers反爬虫
从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）。
如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent复制到爬虫的Headers中；或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫，在爬虫中修改或者添加Headers就能很好的绕过。
2. 基于用户行为反爬虫
还有一部分网站是通过检测用户行为，例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。
大多数网站都是前一种情况，对于这种情况，使用IP代理就可以解决。我们可以将 * 检测之后保存在文件当中,但这种方法并不可取， * 失效的可能性很高，因此从专门的 * 网站实时抓取，是个不错的选择。
对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站，可以通过请求几次，退出登录，重新登录，继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。
还有针对cookies，通过检查cookies来判断用户是否是有效用户，需要登录的网站常采用这种技术。更深入一点的还有，某些网站的登录会动态更新验证，如推酷登录时，会随机分配用于登录验证的authenticity_token，authenticity_token会和用户提交的登录名和密码一起发送回服务器。
3. 基于动态页面的反爬虫
有的时候将目标页面抓取下来，发现关键的信息内容空白一片，只有框架代码，这是因为该网站的信息是通过用户Post的XHR动态返回内容信息，解决这种问题的方法就是通过开发者工具（FireBug等）对网站流进行分析，找到单独的内容信息request（如Json），对内容信息进行抓取，获取所需内容。
更复杂一点的还有对动态请求加密的，参数无法解析，也就无法进行抓取。这种情况下，可以通过Mechanize，selenium RC，调用浏览器内核，就像真实使用浏览器上网那样抓取，可以最大限度的抓取成功，只不过效率上会打些折扣。笔者测试过，用urllib抓取拉勾网招聘信息30页所需时间为三十多秒，而用模拟浏览器内核抓取需要2——3分钟。
4. 限定某些IP访问
免费的 * 可以从很多网站获取到，既然爬虫可以利用这些 * 进行网站抓取，网站也可以利用这些 * 反向限制，通过抓取这些IP保存在服务器上来限制利用 * 进行抓取的爬虫。
进入正题
来源：http://www.cnblogs.com/Lands-ljk/p/5673017.html
0
投稿猜你喜欢
- 这篇文章主要介绍了如何使用python实现模拟鼠标点击,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋
- 1、关于参数的区别实例方法：定义实例方法是最少有一个形参 ---> 实例对象，通常用 self类方法：定义类方法的时候最少有一个形参
- 基础知识使用框架的优点稳定性和可扩展性强可以降低开发难度，提高了开发效率Flask诞生于2010年，是Armin ronacher用Pyth
- 我们用pyinstaller把朋友文件打包成exe文件，但有时候我们需要还原，我们可以用pyinstxtractor.py用法：python
- 背景：使用pip install SciPy的格式安装python函数库SciPy的时候，发现老是报错，从网上找信息也没找到合适的解决办法，
- 本文实例讲述了pytorch制作自己的LMDB数据操作。分享给大家供大家参考，具体如下：前言记录下pytorch里如何使用lmdb的code
如何自动登陆京东？我们先来看一下京东的登陆页面，如下图所示：【插入图片，登陆页面】登陆框就是右面这一个框框了，但是目前我们遇到一个困呐，默认- 本文实例讲述了Python装饰器用法与知识点。分享给大家供大家参考，具体如下：（1）装饰器含参数，被装饰函数不含（含）参数实例代码如下：im
- 1. iocgo简介习惯于Java或者C#开发的人应该对控制反转与依赖注入应该再熟悉不过了。在Java平台有鼎鼎大名的Spring框架，在C
- 这篇文章主要介绍了Python实现自定义读写分离代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的
- 发送电子邮件在即时通信软件如此发达的今天，电子邮件仍然是互联网上使用最为广泛的应用之一，公司向应聘者发出录用通知、网站向用户发送一个激活账号
- 一、bs4解析import requestsfrom bs4 import BeautifulSoupimport datetimeif _
- 学习了Go语言后,打算利用最近比较空一点,写一个前端部署工具,不需要每次都复制粘贴的麻烦,我们希望再部署开始之前和部署结束后推送钉钉消息创建
- 本文实例讲述了Python中subprocess模块用法。分享给大家供大家参考。具体如下：执行命令：>>> subproc
- 先给大家说下什么是localstorage前几天在老项目中发现有对cookie的操作觉得很奇怪，咨询下来是要缓存一些信息，以避免在URL上面
- 这个标题念起来有点拗口，但却是理解数据结构的关键。标题中的4个术语，对应的英文分别是：shallow copy（注意，不是shadow co
- 插入排序插入排序，英文名（insertion sort）是一种简单且有效的比较排序算法。思想： 在每次迭代过程中算法随机地从输入序
- 前言原子操作这是Java多线程编程的老生常谈了。所谓原子操作是指不会被线程调度机制打断的操作；这种操作一旦开始，就一直运行到结束，中间不会有
- 301跳转通常用在网站换域名和为了保持链接统一性所用的。比如你原来的域名www.a.com现在换成www.b.com,用了301跳转后，访问
- pandas in 和 not in 的用法经常在处理数据中从一个总数据中清洗出数据, 但是有时候需要把没有处理的数据也统计出来.这时候就需
