python爬虫

Posted 2021-05-20 geeker

在爬取某网站时，我们习惯于直接在浏览器里复制headers和请求参数，粘贴到自己的代码里进行调试 但是，在爬取linkg网站时，发现了一个问题： 解码失败 运行：

复制浏览器的请求数据产生的问题

 

在爬取某网站时，我们习惯于直接在浏览器里复制headers和请求参数，粘贴到自己的代码里进行调试

 

 

 

 

 

 

 

但是，在爬取linkg网站时，发现了一个问题：

 

 

 

 

 

 

解码失败

运行：

 

 

无论怎么调试，就是说解码失败

 

后面发现是请求头里的\'accept-encoding\': \'gzip, deflate, br\'

 

关键点

 

把其中的br删除掉就可以正常拿到数据：

 

 

 

 

 

 

 

有关accpt-encoding的，可以看这篇博客：

 

 

https://blog.csdn.net/weixin_40414337/article/details/88561066

 

精简的意思就是，accpet-encoding的作用是以客户端的身份告诉服务端，我支持那些数据压缩类型的，如果指定的话，服务端就会按指定好的格式返回，如果不指定的话就会不压缩，而以源数据返回

其中gzip和deflare两种类型的压缩，requests和httpx等主流的爬虫库都是可以自己解压缩数据的，而就是br不行，因为br是目前来说比较新的一种数据压缩格式，无损压缩，压缩比极高，比前两个都好，进而减少传输数据的大小，节省时间，所以目前的都支持br，浏览器也自然支持的，这就是问题所在

 

这也就是我上面把br删了就可以正常解析的原因

 

直面问题并解决

 

另外，针对br的，假如有的网站就支持br呢？咋办?   所以在代码层面也是要解决的，而不是逃避问题的把br删除掉

 

解决办法就是需要用brotli库（第三方库，需要安装）来解压，上面的博客里的案例

 

 

 

 

安装完brotli后执行：

 

 

那么，用这种brotli压缩还可以一定程度上达到反爬的效果，反正如果不知道这个的话，拿到返回的数据后你用各种编码方式（utf-8，gbk，gb18030，bt5）啥啥的，怎么解码都解不了，是不是可以防止一些初级的爬虫了啊