爬虫---Beautiful Soup 爬取知乎热榜

Posted 2022-03-18 qican

　　前两章简单的讲了Beautiful Soup的用法，在爬虫的过程中相信都遇到过一些反爬虫，如何跳过这些反爬虫呢？今天通过豆瓣网写一个简单的反爬中

 

什么是反爬虫

简单的说就是使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量。

 

反反爬虫机制

• 增加请求头---headers为了模拟更真实的用户场景
• 更改IP地址---网站会根据你的IP对网站访问频密，判断你是否属于爬虫
• ua限制---UA是用户访问网站时候的浏览器标识，其反爬机制与ip限制类似
• 模拟帐号登录----通过request模拟登录进行访问网站
• cookies的限制---网站页面每次请求的cookies不同

 

爬取知乎热榜

1.首先打开需要爬取的网站

2.分析网站的html，标签为’a‘，属性为target="_blank"

3.通过request方式进行请求网站

4.首先我们先不携带任何的反反爬虫机制进行访问

# coding:utf-8
import requests
from  bs4 import BeautifulSoup
url = ‘https://www.zhihu.com/hot‘
html = requests.get(url,verify = False).content.decode(‘utf-8‘) # verify = False表示请求https
soup = BeautifulSoup(html,‘html.parser‘)
name = soup.find_all(‘a‘,target="_blank")
for i in name:
    print(i)

结果发现请求为空

5.从F12中提取出完整的请求头（也可以通过fiddler进行查看）

• 请求地址的host
• 请求的cookies
• 请求的User-Agent

 

# coding:utf-8
import requests
from  bs4 import BeautifulSoup
url = ‘https://www.zhihu.com/hot‘
# 添加请求头
headers=
    "host":"www.zhihu.com",
    "cookie":‘_zap=482b5934-4878-4c78-84f9-893682c32b07; d_c0="ALCgSJhlsQ6PTpmYqrf51G‘
             ‘HhiwoTIQIlS1w=|1545203069"; _xsrf=XrStkKiqUlLxzwMIqRDc01J7jikO4xby; q_c1=94622‘
             ‘462a93a4238aafabad8c004bc41|1552532103000|1548396224000; __utma=51854390.1197068257.‘
             ‘1552532107.1552532107.1552532107.1; __utmz=51854390.1552532107.1.1.utmcsr=zhihu.com|utmccn=(r‘
             ‘eferral)|utmcmd=referral|utmcct=/; __utmv=51854390.100--|2=registration_date=20190314=1^3=entry_da‘
             ‘te=20190125=1; z_c0="2|1:0|10:1552535646|4:z_c0|92:Mi4xcFRlN0RnQUFBQUFBc0tCSW1HV3hEaVlBQUFCZ0FsVk5Ya‘
             ‘DUzWFFBWExTLXVpM3llZzhMb29QSmRtcjlKR3pRaTBB|03a1fa3d16c98e1688cdb5f6ba36082585d72af2f54597e370f05207‘
             ‘cd3a873f"; __gads=ID=27a40a1873146c19:T=1555320108:S=ALNI_MYb5D7sBKFhvJj32HBQXgrhyC6xxQ; tgw_l7_route=7‘
             ‘3af20938a97f63d9b695ad561c4c10c; tst=h; tshl=‘,
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36",

html = requests.get(url,headers=headers,verify = False).content.decode(‘utf-8‘) # verify = False表示请求https
soup = BeautifulSoup(html,‘html.parser‘)
name = soup.find_all(‘a‘,target="_blank")
for i in name:
    print(i.get_text())

执行后发现成功的把热榜下的一些信息请求出来

喜欢的小伙伴可以自己手动试一试。