AI&BigData訓練キャンプノート3:Python爬虫攻破反爬虫防御戦略
システム環境:
Background:
Python爬虫類を使用してWebデータを取得すると、Webサイト自体の反爬虫類防御を受けます.この場合、Webサイトの反爬虫類防御戦略を破る方法が必要です.
解決方法:
次に,偽装ブラウザUA,IPエージェント,爬虫頻度制御の3つの手法を用いて,サイトの反爬虫防御戦略を攻略する.プログラミングを実現する前に、以上のシステム環境に従って、自分のPython環境を構成する必要があります.
:Windows8.1 64bit
Python:anaconda、Python2.7
Python modules:requests、json、random、time
Background:
Python爬虫類を使用してWebデータを取得すると、Webサイト自体の反爬虫類防御を受けます.この場合、Webサイトの反爬虫類防御戦略を破る方法が必要です.
解決方法:
次に,偽装ブラウザUA,IPエージェント,爬虫頻度制御の3つの手法を用いて,サイトの反爬虫防御戦略を攻略する.プログラミングを実現する前に、以上のシステム環境に従って、自分のPython環境を構成する必要があります.
# -*- coding: utf-8 -*-
"""
Created on Sun Apr 22 17:08:29 2018
@author: gmn
"""
# requests module
import requests
# json module
import json
# random module
import random
# time module
import time
#User-Agent ,
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]
# IP
proxies={"http":"http://41.118.132.69:4433"}
# 100
for index in range(100):
print ' %d :' % (index+1)
# url
url='http://money.finance.sina.com.cn/d/api/openapi_proxy.php/?__s=[[%22bkshy%22,%22%22,0]]'
# get User-Agent, UA
headers={'User-Agent':random.choice(USER_AGENTS)}
#requests get
req=requests.get(url,headers=headers,proxies=proxies)
# json
jsinfo=json.loads(req.content)
# : json
print jsinfo[0]['count']
#
time.sleep(5) # 5