爬虫遇到反爬机制怎么办? 看看我是如何解决的！

  • 2021 年 8 月 16 日
  • 筆記

01 前言

想着爬取『豆瓣』的用户和电影数据进行『挖掘』，分析用户和电影之间以及各自之间的关系，数据量起码是万级别的。

但是在爬取过程中遇到了反爬机制，因此这里给大家分享一下如何解决爬虫的反爬问题？（以豆瓣网站为例）

02 问题分析

起初代码

headers = {
            'Host':'movie.douban.com',
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36',
            'cookie':'bid=uVCOdCZRTrM; douban-fav-remind=1; __utmz=30149280.1603808051.2.2.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __gads=ID=7ca757265e2366c5-22ded2176ac40059:T=1603808052:RT=1603808052:S=ALNI_MYZsGZJ8XXb1oU4zxzpMzGdK61LFA; _pk_ses.100001.4cf6=*; __utma=30149280.1867171825.1603588354.1603808051.1612839506.3; __utmc=30149280; __utmb=223695111.0.10.1612839506; __utma=223695111.788421403.1612839506.1612839506.1612839506.1; __utmz=223695111.1612839506.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utmc=223695111; ap_v=0,6.0; __utmt=1; dbcl2="165593539:LvLaPIrgug0"; ck=ZbYm; push_noty_num=0; push_doumail_num=0; __utmv=30149280.16559; __utmb=30149280.6.10.1612839506; _pk_id.100001.4cf6=e2e8bde436a03ad7.1612839506.1.1612842801.1612839506.',
            'accept': 'image/avif,image/webp,image/apng,image/*,*/*;q=0.8',
            'accept-encoding': 'gzip, deflate, br',
            'accept-language': 'zh-CN,zh;q=0.9',
            'upgrade-insecure-requests': '1',
            #'referer':'',
        } 
url = "//movie.douban.com/subject/24733428/reviews?start=0"
r = requests.get(url, headers=headers)

上面是基本的爬虫代码，在requests里面设置headers（包含cookie），如果没有反爬机制的话，可以正常爬取数据。

但是『豆瓣』网站有反爬机制！！

爬取就10几页之后，就出现这个验证！！

更关键的是：验证之后接着爬取，几秒后又出现这个，即使设置几秒爬取一次也无法解决！

03 解决方案

方案猜想

根据多年的爬虫经验，首先想到的是设置IP代理，这样就相当于不同用户在爬取网站，因此就通过ip代理去尝试，看看能否解决『豆瓣』的反爬机制。

获取大量IP代理

如果单纯设置一个IP代理，那样跟咱们之前在自己电脑上爬取没有什么区别，因此需要大量的IP代理，通过随机抽取的方式去使用IP代理，这样可以避免同一IP去爬取被『豆瓣』反爬机制禁爬。

IP代理正常来说，很贵，作为白嫖党，这里使用免费ip代理（亲测可用）

白嫖过程

//h.shenlongip.com/index/index.html

白嫖的IP代理平台是：神龙Http，（这里不是广告，只是觉得可以白嫖，跟大家分享）

注册之后，可以免费获取1000个IP代理（详细过程就不介绍了，重点如何使用IP代理解决反爬问题~）

这样我们就可以将提取的IP代理放到文本文件中。

设置IP代理

读取IP代理

iplist=[]
with open("ip代理.txt") as f:
    iplist = f.readlines()

刚刚已经将ip全部保存到文本文件中，现在读取出来放到iplist中

随机抽取IP代理

#获取ip代理
def getip():
    proxy= iplist[random.randint(0,len(iplist)-1)]
    proxy = proxy.replace("\n","")
    proxies={
        'http':'//'+str(proxy),
        #'https':'//'+str(proxy),
    }
    return proxies

通过random函数，可以在iplist 代理集合中，随机抽取IP代理，并封装成proxies格式（requests的ip代理规定格式）

注解：这里https被注释掉了，因为我这里的ip代理是http，所以有https的话则报错！

IP代理代码


headers = {
            'Host':'movie.douban.com',
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36',
            'cookie':'bid=uVCOdCZRTrM; douban-fav-remind=1; __utmz=30149280.1603808051.2.2.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __gads=ID=7ca757265e2366c5-22ded2176ac40059:T=1603808052:RT=1603808052:S=ALNI_MYZsGZJ8XXb1oU4zxzpMzGdK61LFA; _pk_ses.100001.4cf6=*; __utma=30149280.1867171825.1603588354.1603808051.1612839506.3; __utmc=30149280; __utmb=223695111.0.10.1612839506; __utma=223695111.788421403.1612839506.1612839506.1612839506.1; __utmz=223695111.1612839506.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utmc=223695111; ap_v=0,6.0; __utmt=1; dbcl2="165593539:LvLaPIrgug0"; ck=ZbYm; push_noty_num=0; push_doumail_num=0; __utmv=30149280.16559; __utmb=30149280.6.10.1612839506; _pk_id.100001.4cf6=e2e8bde436a03ad7.1612839506.1.1612842801.1612839506.',
            'accept': 'image/avif,image/webp,image/apng,image/*,*/*;q=0.8',
            'accept-encoding': 'gzip, deflate, br',
            'accept-language': 'zh-CN,zh;q=0.9',
            'upgrade-insecure-requests': '1',
            #'referer':'',
        }
url = "//movie.douban.com/subject/24733428/reviews?start=0"
r = requests.get(url, proxies=getip(), headers=headers, verify=False)

加了IP代理之后，爬取了几百页也没有遇到过验证问题。轻松爬取万级别的数据没问题。

已经爬取了8677条数据，一直没有验证出现，程序还在继续运行~~~

时间间隔

如果还是遇到验证机制，可以添加时间间隔，在爬取每一页的时候，先让程序暂停几秒（自定义）

time.sleep(random.randint(3,5))

random.randint(3,5)是随机生成35之间的数字，因此程序在爬取一次后就随机暂停35秒。这样也是一个有效防止触发反爬机制。

04 总结

  1. 讲解了通过IP代理和时间间隔去解决反爬验证问题

  2. 白嫖可用的IP代理

  3. 爬取好的数据将会进一步分析和挖掘，本文就讲解如何解决爬虫的反爬问题（毕竟大家时间宝贵，都是碎片化阅读，一下子太多内容难易消化）。

VirMach 便宜 VPS

QNews

QNews