爬蟲第四步：偽裝一個headers吧！

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，他就爆炸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：

1. 一秒太多次requests
2. 一定時間內太多有規律、同IP的爬蟲
3. 特殊渲染的網頁
4. 直接判定送來的requests有沒有headers

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))

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。

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：

1. Mozilla
2. AppleWebKit
3. Chrome

以及用甚麼解析這個網頁：

• ‘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」，即時獲取的實用資源！

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！

作家資訊