爬蟲第四步：偽裝一個headers吧！
Python 爬蟲系列閱讀：
大家是不是常常會在爬蟲中，發現某些網站怎樣就是爬不下來呢？
沒錯，這是非常常見的問題！
一、網站server端的loading不足
這是啥意思呢？也就是指可承載的流量很低，
導致如果爬蟲一次要很多資料，它就爆炸 overload（超載），
於是你的爬蟲就失敗了…
這狀況雖然現在比較少見，但如證交所的證券清單，
那頁的 loading 量就很低，很常掉封包或失敗呢！
二、有防爬蟲的設置
但多數時候都是狀況 2，只要是這狀況，就會讓爬蟲爬失敗，
那這時候該怎麼辦呢？
首先我們先區別幾種可能的狀況：
- 一秒太多次requests
- 一定時間內太多有規律、同IP的爬蟲
- 特殊渲染的網頁
- 直接判定送來的requests有沒有headers
狀況 1、2 的解決方案：
其實防爬蟲並不是因為他們不想讓你取得資料，而是為了保護伺服器（server），因為對於爬取方很簡單，就是我全都要！
但對於網站方，如果人人都用程式來把網站當吃到飽 buffet，那網站隨之而來的就是大量的 loading，這樣不只對網站增加負擔，還會讓網站管理費用扶搖直上呢！
那因為防爬蟲的最基本就是找出那些定期登入網站的對象，
或是瘋狂按 F5 重新整理的狂人……
當你用 while 每秒都爬一次時，你就是那個狂按F5的狂人 …… 那這時候當然得對這些人下點限制，否則就侵占了其他人使用這個網站的權益啦！
所以我們得加上 schedule 與 time.sleep() ，並在相關函式內加上隨機，讓爬蟲週期產生隨機性，例如：
schedule：
import schedule
import time
import random
import datetime
def job():
t = datetime.datetime.now().replace(microsecond=0)
print(str(t) + ” Here is QP, Hello”)
i = 0
for i in range(10):
delay = random.randrange(1, 5)
print(delay)
schedule.every(delay).seconds.do(job)
while True:
schedule.run_pending()
time.sleep(.01)
time.sleep：
from random import randint
from time import sleep
sleep(randint(10,100))
狀況 3 的解決方案：
得靠 Selenium 去解決，這個會很依照網頁需求去討論。
狀況 4 的解決方案：
也就是今天的主題囉！
在任何爬蟲開始之前，加入以下CODE：
headers = {
’content-type’: ‘text/html; charset=UTF-8’,
’user-agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36′
}
上面那個就是告訴爬蟲以什麼方式執行：
- Mozilla
- AppleWebKit
- Chrome
以及用什麼解析這個網頁：
- ‘text/html; charset=UTF-8’
小備註：上面的意思就是用 text/html 的方式，以 UTF-8 的格式去做解析，UTF-8 通常就是指中文字型哦！
最後就是把 headers 加入我們的爬蟲設定囉！
res = requests.get(你要爬的url, headers=headers)
這樣一來，我們想要的爬蟲就可以被認為是正常的登入，進而就可以取得想要的資料囉！
量化通粉絲社群，定期分享實用資源
✅加入LINE匿名群組「量化通QuantPass」無壓力討論與分享！
✅追蹤量化通的粉絲專頁「量化通QuantPass」即時獲取實用的資源！
程式交易課程推薦
📣 Python 程式交易系列線上課程，手把手開始用程式交易打造自己的被動收入！
發表迴響