15《Python 原生爬虫教程》爬虫和反爬虫

有的时候，当我们的爬虫程序完成了，并且在本地测试也没有问题，爬取了一段时间之后突然就发现报错无法抓取页面内容了。这个时候，我们很有可能是遇到了网站的反爬虫拦截。

我们知道，网站一方面想要爬虫爬取网站，比如让搜索引擎爬虫去爬取网站的内容，来增加网站的搜索排名。另一方面，由于网站的服务器资源有限，过多的非真实的用户对网站的大量访问，会增加运营成本和服务器负担。

这是一种最基本的反爬虫方式，网站运营者通过验证爬虫的请求头的 User-agent,accep-enconding 等信息来验证请求的发出宿主是不是真实的用户常用浏览器或者一些特定的请求头信息。

通过 Ajax，或 者javascript 来动态获取和加载数据，加大爬虫直接获取数据的难度。

这个相信大多数读者非常熟悉了吧，当我们输错多次密码的时候，很多平台都会d出各种二维码让我们识别，或者抢火车票的时候，会出现各种复杂的验证码，验证码是反爬虫措施中，运用最广，同时也是最有效直接的方式来阻止爬虫的措施之一。

在识别到某些异常的访问的时候，网站运营者会设置一个黑名单，把一些判定为爬虫的IP进行限制或者封杀。

有些网站，没有游客模式，只有通过注册后才可以登录看到内容，这个就是典型的使用账号限制网站，一般可以用在网站用户量不多，数据安全要求严格的网站中。

我们可以在请求头中替换我们的请求媒介，让网站误认为是我们是通过移动端的访问，运行下面的代码后，当我们打开 hupuhtml,我们会发现返回的是移动端的虎扑的页面而不是网页端的。

比如，我们可以设置一个随机的间隔时间，来模拟用户的行为，减少访问的次数和频率。 我们可以在我们爬虫的程序中，加入如下的代码，让爬虫休息3秒左右，再进行爬取，可以有效地避开网站的对爬虫的检测和识别。

代理就是通过访问第三方的机器，然后通过第三方机器的 IP 进行访问，来隐藏自己的真实IP地址。

由于第三方代理良莠不齐，而且不稳定，经常出现断线的情况，爬取速度也会慢许多，如果对爬虫质量有严格要求的话，不建议使用此种方法进行爬取。

可以通过动态的 IP 拨号服务器来变换 IP，也可以通过 Tor 代理服务器来变换 IP。

反反爬虫的策略，一直是在变换的，我们应该具体问题具体分析，通过不断的试错来完善我们的爬虫爬取，千万不要以为，爬虫程序在本机调试之后，没有问题，就可以高枕无忧了。线上的问题，总是千变万化，我们需要根据我们的具体反爬措施，来针对的写一些反反爬虫的代码，这样才能保证线上环境的万无一失。

不要**别人网站中的信息

注意别人的爬取规则

不要重复爬取

不要影响人家的服务器

只要是机器,比人快,效能就是最好的原则

注意爬取信息的对象与集磊分类,便可以更准确的获取有用的信息

就目前而言,好似没有会遵守规则的爬取者

能用来做：1、收集数据；由于爬虫程序是一个程序，程序运行得非常快，因此使用爬虫程序获取大量数据变得非常简单和快速。2、刷流量和秒杀；当爬虫访问一个网站时，如果网站无法识别访问来自爬虫，那么它可能将被视为正常访问，进而刷了网站的流量。

推荐学习：Python视频教程

python爬虫可以用来做什么？

1、收集数据

python爬虫程序可用于收集数据。这也是最直接和最常用的方法。由于爬虫程序是一个程序，程序运行得非常快，不会因为重复的事情而感到疲倦，因此使用爬虫程序获取大量数据变得非常简单和快速。

由于99%以上的网站是基于模板开发的，使用模板可以快速生成大量布局相同、内容不同的页面。因此，只要为一个页面开发了爬虫程序，爬虫程序也可以对基于同一模板生成的不同页面进行爬取内容。

2、调研

比如要调研一家电商公司，想知道他们的商品销售情况。这家公司声称每月销售额达数亿元。如果你使用爬虫来抓取公司网站上所有产品的销售情况，那么你就可以计算出公司的实际总销售额。此外，如果你抓取所有的评论并对其进行分析，你还可以发现网站是否出现了刷单的情况。数据是不会说谎的，特别是海量的数据，人工造假总是会与自然产生的不同。过去，用大量的数据来收集数据是非常困难的，但是现在在爬虫的帮助下，许多欺骗行为会赤裸裸地暴露在阳光下。

3、刷流量和秒杀

刷流量是python爬虫的自带的功能。当一个爬虫访问一个网站时，如果爬虫隐藏得很好，网站无法识别访问来自爬虫，那么它将被视为正常访问。结果，爬虫“不小心”刷了网站的流量。

除了刷流量外，还可以参与各种秒杀活动，包括但不限于在各种电商网站上抢商品，优惠券，抢机票和火车票。目前，网络上很多人专门使用爬虫来参与各种活动并从中赚钱。这种行为一般称为“薅羊毛”，这种人被称为“羊毛党”。不过使用爬虫来“薅羊毛”进行盈利的行为实际上游走在法律的灰色地带，希望大家不要尝试。

更多编程相关知识，请访问：编程教学！！以上就是小编分享的关于爬虫python能做什么？的详细内容希望对大家有所帮助，更多有关python教程请关注环球青藤其它相关文章！

几百到几万不等。

简单爬虫价格不高的几百元搞定，你也可以自己学着去写，对你肯定有帮助。复杂些爬虫就贵了，涉及到破解那种，不是一般人能做的。

ython爬虫技术采集数据，并使用文本分析的技术来解决一些市场研究，尤其是产品研究中的一些具体问题，比如产品提及、产品评价、品牌形象等。本课程的授课方式是通过python和knime编程的方式，课程最终目的是实现各种分析的自动化流程，课程成果可以在今后工作中复用。

一、什么是Selenium

selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

二、selenium基本使用

用python写爬虫的时候，主要用的是selenium的Webdriver，我们可以通过下面的方式先看看SeleniumWebdriver支持哪些浏览器

执行结果如下，从结果中我们也可以看出基本山支持了常见的所有浏览器：

这里要说一下比较重要的PhantomJS,PhantomJS是一个而基于WebKit的服务端JavaScript API,支持Web而不需要浏览器支持，其快速、原生支持各种Web标准：Dom处理，CSS选择器，JSON等等。PhantomJS可以用用于页面自动化、网络监测、网页截屏，以及无界面测试

声明浏览器对象

上面我们知道了selenium支持很多的浏览器，但是如果想要声明并调用浏览器则需要：

from selenium import webdriver

browser = webdriverChrome()

browser = webdriverFirefox()

这里只写了两个例子，当然了其他的支持的浏览器都可以通过这种方式调用

访问页面

from selenium import webdriver

browser = webdriverChrome()

browserget("httiducom")print(browserpage_source)

browserclose()

上述代码运行后，会自动打开Chrome浏览器，并登陆百度打印百度首页的源代码，然后关闭浏览器

查找元素

单个元素查找

from selenium import webdriver

browser = webdriverChrome()

browserget("baocom")

input_first = browserfind_element_by_id("q")

input_second = browserfind_element_by_css_selector("#q")

input_third = browserfind_element_by_xpath('//[@id="q"]')print(input_first)print(input_second)print(input_third)

browserclose()

这里我们通过三种不同的方式去获取响应的元素，第一种是通过id的方式，第二个中是CSS选择器，第三种是xpath选择器，结果都是相同的。

结果如下：

这里列举一下常用的查找元素方法：

find_element_by_name

find_element_by_id

find_element_by_xpath

find_element_by_link_text

find_element_by_partial_link_text

find_element_by_tag_name

find_element_by_class_name

find_element_by_css_selector

下面这种方式是比较通用的一种方式：这里需要记住By模块所以需要导入

from seleniumwebdrivercommonby import By

from selenium import webdriverfrom seleniumwebdrivercommonby import By

browser = webdriverChrome()

browserget("obaocom")

input_first = browserfind_element(ByID,"q")print(input_first)

browserclose()

当然这种方法和上述的方式是通用的，browserfind_element(ByID,"q")这里ByID中的ID可以替换为其他几个

多个元素查找

其实多个元素和单个元素的区别，举个例子：find_elements,单个元素是find_element,其他使用上没什么区别，通过其中的一个例子演示：

from selenium import webdriver

browser = webdriverChrome()

browserget("obaocom")

lis = browserfind_elements_by_css_selector('service-bd li')print(lis)

browserclose()

这样获得就是一个列表

当然上面的方式也是可以通过导入from seleniumwebdrivercommonby import By 这种方式实现

lis = browserfind_elements(ByCSS_SELECTOR,'service-bd li')

同样的在单个元素中查找的方法在多个元素查找中同样存在：

find_elements_by_name

find_elements_by_id

find_elements_by_xpath

find_elements_by_link_text

find_elements_by_partial_link_text

find_elements_by_tag_name

find_elements_by_class_name

find_elements_by_css_selector

元素交互 *** 作

对于获取的元素调用交互方法

from selenium import webdriverimport time

browser = webdriverChrome()

browserget("baocom")

input_str = browserfind_element_by_id('q')

input_strsend_keys("ipad")

timesleep(1)

input_strclear()

input_strsend_keys("MakBook pro")

button = browserfind_element_by_class_name('btn-search')

buttonclick()

运行的结果可以看出程序会自动打开Chrome浏览器并打开淘宝输入ipad,然后删除，重新输入MakBook pro，并点击搜索

交互动作

将动作附加到动作链中串行执行

from selenium import webdriverfrom seleniumwebdriver import ActionChains

browser = webdriverChrome()

url = "ry/tryphpfilename=jqueryui-api-droppable"browserget(url)

browserswitch_toframe('iframeResult')

source = browserfind_element_by_css_selector('#draggable')

target = browserfind_element_by_css_selector('#droppable')

actions = ActionChains(browser)

actionsdrag_and_drop(source, target)

actionsperform()

执行JavaScript

这是一个非常有用的方法，这里就可以直接调用js方法来实现一些 *** 作，

下面的例子是通过登录知乎然后通过js翻到页面底部，并d框提示

from selenium import webdriver

browser = webdriverChrome()

browserget("ucom/explore")

browserexecute_script('windowscrollTo(0, documentbodyscrollHeight)')

browserexecute_script('alert("To Bottom")')

获取元素属性

get_attribute('class')

from selenium import webdriver

browser = webdriverChrome()

url = 'hihucom/explore'browserget(url)

logo = browserfind_element_by_id('zh-top-link-logo')print(logo)print(logoget_attribute('class'))

获取文本值

text

from selenium import webdriver

browser = webdriverChrome()

url = 'com/explore'browserget(url)

input = browserfind_element_by_class_name('zu-top-add-question')print(inputtext)

获取ID，位置，标签名

id

location

tag_name

size

from selenium import webdriver

browser = webdriverChrome()

url = 'com/explore'browserget(url)

input = browserfind_element_by_class_name('zu-top-add-question')print(inputid)print(inputlocation)print(inputtag_name)print(inputsize)

Frame

在很多网页中都是有Frame标签，所以我们爬取数据的时候就涉及到切入到frame中以及切出来的问题，通过下面的例子演示

这里常用的是switch_tofrom()和switch_toparent_frame()

import timefrom selenium import webdriverfrom seleniumcommonexceptions import NoSuchElementException

browser = webdriverChrome()

url = 'oobcom/try/tryphpfilename=jqueryui-api-droppable'browserget(url)

browserswitch_toframe('iframeResult')

source = browserfind_element_by_css_selector('#draggable')print(source)try:

logo = browserfind_element_by_class_name('logo')except NoSuchElementException:    print('NO LOGO')

browserswitch_toparent_frame()

logo = browserfind_element_by_class_name('logo')print(logo)print(logotext)

等待

当使用了隐式等待执行测试的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常, 换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0

隐式等待

到了一定的时间发现元素还没有加载，则继续等待我们指定的时间，如果超过了我们指定的时间还没有加载就会抛出异常，如果没有需要等待的时候就已经加载完毕就会立即执行

from selenium import webdriver

browser = webdriverChrome()

browserimplicitly_wait(10)

browserget('com/explore')

input = browserfind_element_by_class_name('zu-top-add-question')print(input)

显示等待

指定一个等待条件，并且指定一个最长等待时间，会在这个时间内进行判断是否满足等待条件，如果成立就会立即返回，如果不成立，就会一直等待，直到等待你指定的最长等待时间，如果还是不满足，就会抛出异常，如果满足了就会正常返回

from selenium import webdriverfrom seleniumwebdrivercommonby import Byfrom seleniumwebdriversupportui import WebDriverWaitfrom seleniumwebdriversupport import expected_conditions as EC

browser = webdriverChrome()

browserget('taobaocom/')

wait = WebDriverWait(browser, 10)

input = waituntil(ECpresence_of_element_located((ByID, 'q')))

button = waituntil(ECelement_to_be_clickable((ByCSS_SELECTOR, 'btn-search')))print(input, button)

上述的例子中的条件：ECpresence_of_element_located（）是确认元素是否已经出现了

ECelement_to_be_clickable（）是确认元素是否是可点击的

常用的判断条件：

title_is 标题是某内容

title_contains 标题包含某内容

presence_of_element_located 元素加载出，传入定位元组，如(ByID, 'p')

visibility_of_element_located 元素可见，传入定位元组

visibility_of 可见，传入元素对象

presence_of_all_elements_located 所有元素加载出

text_to_be_present_in_element 某个元素文本包含某文字

text_to_be_present_in_element_value 某个元素值包含某文字

frame_to_be_available_and_switch_to_it frame加载并切换

invisibility_of_element_located 元素不可见

element_to_be_clickable 元素可点击

staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新

element_to_be_selected 元素可选择，传元素对象

element_located_to_be_selected 元素可选择，传入定位元组

element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回False

element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回False

alert_is_present 是否出现Alert

浏览器的前进和后退

back()

forward()

import timefrom selenium import webdriver

browser = webdriverChrome()

browserget('wwbaiducom/')

browserget('aobaocom/')

browserget('wwpythonorg/')

browserback()

timesleep(1)

browserforward()

browserclose()

cookie *** 作

get_cookies()

delete_all_cookes()

add_cookie()

from selenium import webdriver

browser = webdriverChrome()

browserget('om/explore')print(browserget_cookies())

browseradd_cookie({'name': 'name', 'domain': '>

选项卡管理

通过执行js命令实现新开选项卡windowopen()

不同的选项卡是存在列表里browserwindow_handles

通过browserwindow_handles[0]就可以 *** 作第一个选项卡

import timefrom selenium import webdriver

browser = webdriverChrome()

browserget('baiducom')

browserexecute_script('windowopen()')print(browserwindow_handles)

browserswitch_to_window(browserwindow_handles[1])

browserget('baocom')

timesleep(1)

browserswitch_to_window(browserwindow_handles[0])

browserget('honorg')

异常处理

这里只进行简单的演示，查找一个不存在的元素

from selenium import webdriverfrom seleniumcommonexceptions import TimeoutException, NoSuchElementException

browser = webdriverChrome()try:

browserget('ducom')except TimeoutException:    print('Time Out')try:

browserfind_element_by_id('hello')except NoSuchElementException:    print('No Element')finally:

browserclose()

所有的努力都值得期许，每一份梦想都应该灌溉！

以上就是关于15《Python 原生爬虫教程》爬虫和反爬虫全部的内容，包括:15《Python 原生爬虫教程》爬虫和反爬虫、网络爬虫程序的爬虫的设计中应该注意的问题、爬虫python能做什么等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！