Python 爬虫被屏蔽有好的办法吗？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2445 天前的主题，其中的信息可能已经有所发展或是发生改变。

除了用 selenium 模拟外，其他还有好的办法吗？

第 1 条附言 · 2018-04-18 17:44:50 +08:00

补充：requests get 几次就返回不到正确 html，随机 user-agent，要么填验证码，要么提示我是爬虫。用浏览器访问，一直都可以。没有封 ip。selenium 也要加载久一点。

第 2 条附言 · 2018-04-18 19:39:01 +08:00

地址 http://www.ledsmagazine.com/articles/2018/04/lrc-s-mark-rea-will-lead-ul-circadian-lighting-task-group.html

Python

Selenium

办法

屏蔽

34 条回复 • 2018-04-23 14:52:46 +08:00

sunwei0325

2018-04-18 10:42:57 +08:00

selenium 一般用来爬一些 js 搞上去的内容, 而不是解决爬虫被屏蔽的, 解决被屏蔽的方法一般是代理 ip 池, cookie 池, 随机 user-agent 等

lixuda

2018-04-18 10:53:36 +08:00

@sunwei0325 ip 没有封，user-agent 随机无效，只能打开浏览器访问就可以。

leir

2018-04-18 10:54:53 +08:00 via iPhone

什么网站？

lixuda

2018-04-18 10:57:50 +08:00

@leir 多 requests 几次就被认为是爬虫，浏览器是正常的。http://www.ledsmagazine.com/articles/2018/04/lrc-s-mark-rea-will-lead-ul-circadian-lighting-task-group.html

est

2018-04-18 11:13:46 +08:00

技术不过关啊。。。。

lixuda

2018-04-18 11:18:09 +08:00

@est 是的

huweic

2018-04-18 11:24:46 +08:00 via Android

该有的 Header 都加上

kimchan

2018-04-18 11:26:52 +08:00

mark, 之前也是遇过一个网站, 用爬虫各种伪装了都不行, 用浏览器访问却可以. 最后也是只能用 selenium😂😂. 看看大神们有什么更好的方法

lixuda

2018-04-18 11:34:49 +08:00

@huweic 应该不是，selenium 我也要加载很久才可以获得。提早获得也是提升爬虫页面。

magicO

2018-04-18 11:42:34 +08:00 via Android

抓包看看浏览器访问时的包

alen

2018-04-18 11:59:44 +08:00

限速控制并发

takato

2018-04-18 12:23:24 +08:00

把并发间隔整形成高斯分布试试。

wqzjk393

2018-04-18 12:27:53 +08:00 via iPhone

顺便问一下，像斗鱼这种第一次爬就直接屏蔽掉，返回 404 的，该怎么处理？

lixuda

2018-04-18 12:30:22 +08:00

@alen 没有并发，就访问了 2-3 次就这样。并且间隔很久

em70

2018-04-18 12:41:04 +08:00

说明伪装得不像,一般防盗链就 user-agent 和 referer 两个参数来判断,这两个都不填,傻子都知道你是机器人

lixuda

2018-04-18 12:57:00 +08:00

@em70 我都说了，无用。selenium 我也要加载很久才可以获得真实页面

wplct

2018-04-18 13:03:58 +08:00

并不是学艺不精，看来一下这个网址的反爬确实很严格

wplct

2018-04-18 13:06:07 +08:00

各种加载 js 运行，懒得搞的话还是调用浏览器吧

wplct

2018-04-18 13:11:33 +08:00

如果是要请求较多的数据的话，记得保存 cookies 会比较好一些

vtwoextb

2018-04-18 14:05:31 +08:00

重启路由器更换家里的动态 ip https://github.com/hizdm/dynamic_ip

JackYao

2018-04-18 14:13:05 +08:00

估计 js 检测吧，能执行才是浏览器。

summerwar

2018-04-18 14:33:55 +08:00

贴地址不然靠猜吗

craftx

2018-04-18 16:54:32 +08:00

请先说明是哪种方式的屏蔽

jamesfuxk

2018-04-18 17:29:09 +08:00

用抓包软件，设置好 header 啊。可以减少被封的概率的

cuberlzy

2018-04-18 17:46:27 +08:00

Chrome F12 找到接口右键复制到 curl

然后贴到这里 https://curl.trillworks.com/ 把生成的代码运行一遍

看看行不行先～我猜多半是 Cookie 的问题

cuberlzy

2018-04-18 17:47:00 +08:00

浏览器也想被提示爬虫可以试试把 Cookie 清掉这样多半就会提示你输验证码啦

Telegram

2018-04-18 19:20:27 +08:00 via iPhone

@kimchan #8 这个只能对症下药。

Leigg

2018-04-18 20:38:56 +08:00

UA 是比较基本的反爬，最好清除浏览器 cookie，打开 F12-network，再打开网站，这个时候分析一下请求的 method、header 一般就能找到关键所在

Leigg

2018-04-18 20:42:10 +08:00

你是要抓这个 URL 中的什么信息，中间的正文应该是可以直接获取的

golmic

2018-04-18 21:33:55 +08:00 via Android

浏览器可以，requests 就一定可以。愿意付费可以联系我，微信公众号 pydatame 有联系方式

qqpkat2

2018-04-19 01:14:34 +08:00

js 加密检测，了解一下

jimmyczm

2018-04-19 09:22:04 +08:00

抓包时发现应该是这个 pwhqfbsrcqtcbabfzrvevcde.js 文件作怪，在这个文件后面浏览器和 selenium 的内容变了

soho176

2018-04-23 09:28:25 +08:00

用火车头试试看！

leir

2018-04-23 14:52:46 +08:00 via iPhone

@lixuda 搞定了么？简单得话，火车头就可以了，要想分析的话可以看看楼 js，没有混淆，能够明显看到检查