首頁 > 爬蟲第四步:偽裝一個headers吧!...

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:

  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

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:

  1. Mozilla
  2. AppleWebKit
  3. 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

相關文章