写点什么

那篇千猫图爬虫竟被反爬了,今日复盘解决一下,Python 爬虫 120 例

作者:梦想橡皮擦
  • 2022 年 6 月 01 日
  • 本文字数:1649 字

    阅读完需:约 5 分钟

⛳️ 实战场景

前段时间,橡皮擦发过一篇博客《Python 千猫图,简单技术满足你的收集控》,结果发出来没多久,大家的热情就把人家的网站给弄的苦不堪言,然后加上了参数加密,也就是反爬了。


作为一个对自己博客可用性非常上新的作者,我必须让爬虫再次运行起来,所以本篇博客就为你带来这个站点的反反爬途径。


很多朋友反馈的是第一步就无法获取列表数据了,我们先看一下这个地方。


原代码简化之后,如下所示:


import requestsimport re
HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"}

# 获取待抓取列表def get_wait_list(url): res = requests.get(url=url, headers=HEADERS, timeout=5) res.encoding = "gb2312" html_text = res.text print(html_text)

if __name__ == '__main__': start_url = "http://p.ik123.com/zt/maomi/68_1.html" wait_urls = get_wait_list(url=start_url)
复制代码


代码运行之后,并没有得到网页源码,而是获取到一段 JS 脚本,具体如下所示。



JS 可以先放在一遍,先用开发者工具分析一下请求头中,是否有一些加密相关的参数。


简单对比之后发现,请求头中只在 Cookie 中增加了一个参数,具体如下图所示。



为了寻找该值的来源,还需要多次点击分页链接,查看该值是否产生过变化,N 次测试之后,得到如下结论在短时间内,或一定时间内,这个值无变化。


测试的时候,注意勾选保留日志,否则日志会因为页面跳转丢失。



那接下来就要找到该值的计算方式,即值是如何出现的。


由于该请求是 GET 形式,而且加密形式是依赖 Cookie 实现的,所以需要找到 set-cookie 的位置,经过反复请求,得到如下内容。



如果出现上图效果,需要两个步骤:


  1. 删除已经生成的 cookie;

  2. 网络请求保留日志;



结论,一个简单的二次请求,反爬逻辑。

⛳️ 实战编码

接下来我们拿第一页进行实战,通过首次请求获取 COOKIE,二次请求携带 COOKIE 的形式进行操作。


对于 COOKIE 的操作,可以直接在请求头中设置,也可以使用 requests.cookies.RequestsCookieJar(),还可以使用 requests.utils.dict_from_cookiejar(cookiejar) 实现,具体根据自己的熟悉程度操作即可。


import requests
HEADERS = { 'Accept': 'text/html 复制 ACCEPT 头', "User-Agent": "Mozilla/5.0 你的UA", "Host": 'p.ik123.com', 'Upgrade-Insecure-Requests': '1', 'Referer': 'http://p.ik123.com/zt/maomi/68_1.html'}

def get_cookie(url): res = requests.get(url=url, headers=HEADERS, timeout=5) res.encoding = "gb2312" cookiejar = res.cookies c_dict = requests.utils.dict_from_cookiejar(cookiejar) return c_dict['secret'], c_dict['token']

# 获取待抓取列表def get_wait_list(url): secret, token = get_cookie(url) HEADERS['Cookie'] = 't=' + token + '; r=' + secret + '' print(HEADERS) res = requests.get(url=url, headers=HEADERS, timeout=5) res.encoding = "gb2312" print(res.text)

if __name__ == '__main__': start_url = "http://p.ik123.com/zt/maomi/68_1.html" wait_urls = get_wait_list(url=start_url)
复制代码


请求头中的 COOKIE 参数,注意名称的变化。



响应的 COOKIE 是 tokensecret ,请求的是 tr


但上述代码依旧无法得到正确的数据,按理来说已经得到相应的请求加密条件了,数据不应该无法得到。


经过多次测试,发现目标站点竟然把 COOKIE 中的 secret 在请求中,减少了 100。


修改代码如下所示:


secret, token = get_cookie(url)    secret = int(secret) - 100    HEADERS['Cookie'] = 't=' + token + '; r=' + str(secret) + ''    print(HEADERS)
复制代码


再次运行代码,这个小案例猫咪图片的反爬就被我们成功的的拿下了。



没想到在 Python 爬虫的第 3 例,就碰到一个棘手的反爬,有趣有趣。


📣📣📣📣📣📣右下角有个大拇指,点赞的漂亮加倍

发布于: 刚刚阅读数: 5
用户头像

爬虫 100 例作者,蓝桥签约作者,博客专家 2021.02.06 加入

6 年产品经理+教学经验,3 年互联网项目管理经验; 互联网资深爱好者; 沉迷各种技术无法自拔,导致年龄被困在 25 岁; CSDN 爬虫 100 例作者。 个人公众号“梦想橡皮擦”。

评论

发布
暂无评论
那篇千猫图爬虫竟被反爬了,今日复盘解决一下,Python爬虫120例_6月月更_梦想橡皮擦_InfoQ写作社区