使用python2爬取有道翻译

Posted 2020-11-18 silence-cc

爬虫的核心思想：模拟浏览器正常访问服务器，一般情况只要浏览器能访问的，都可以爬，如果被反爬，则考虑反复测试添加Request Header数据，知道可以爬取为止。

反爬思路目前知道的有：User-Agent，Cookie，Referer，访问速度，验证码，用户登录及前端js代码验证等。本例遇到js验证 User-Agent Referer Cookie共计4种反爬机制。

关键部分是，参数headers和data的构造，headers要进行反复测试，data数据里面的变量查找思路。

参考资料：

用Python破解有道翻译反爬虫机制 https://blog.csdn.net/nunchakushuang/article/details/75294947

python破解网易反爬虫机制 https://blog.csdn.net/luosai19910103/article/details/79522067

一些反爬机制 https://blog.csdn.net/javakklam/article/details/79841901

有道翻译页面，左边输入要翻译的字符串，右边会自动输出翻译的结果，如下图

经过多次输入字符测试，发现页面无刷新，猜测可能使用ajax，然后进行抓包分析，发现的确使用ajax传输数据

代码如下：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib
import urllib2
import time
import hashlib


url = \'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule\'
keyword = raw_input(\'请输入要翻译的字符串： \')

# headers作用模拟浏览器
headers = {
# "Accept": "application/json, text/javascript, */*; q=0.01",
# "Connection": "keep-alive",
# "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
"Cookie": "你的浏览器cookie值",
"Referer": "http://fanyi.youdao.com/",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/67.0.3396.87 Safari/537.36",
# "X-Requested-With": "XMLHttpRequest",
}

salt = str(int(time.time()*1000))

m = hashlib.md5()
str = "fanyideskweb" + keyword + salt + "ebSeFb%=XZ%T[KZ)c(sy!"
m.update(str)
sign = m.hexdigest().encode(\'utf-8\')
print(sign)

# data为post请求数据
data = {
    "i":keyword,
    "from":"AUTO",
    "to":"AUTO",
    "smartresult":"dict",
    "client":"fanyideskweb",
    "salt":salt,
    "sign":sign,
    "doctype":"json",
    "version":"2.1",
    "keyfrom":"fanyi.web",
    "action":"FY_BY_REALTIME",
    "typoResult":"false"
}

# 对post上传的数据进行urlencode编码
data = urllib.urlencode(data)

# urllib 仅可以接受URL，不能创建 Request 类实例，也不能设置参数headers ，但可以对url进行编码，而urllib2不能编码，所以经常一起使用
# 而urllib2.urlopen(url)不能构造复杂的request，所以要使用urllib2.Request(url,data=data,headers=headers)，2者都是有data参数时表示post提交数据，headers的值为模仿浏览器请求头里面的的数据，格式为字典，让服务器接受的数据看起来像使用浏览器访问。
request = urllib2.Request(url,data=data,headers=headers)
response = urllib2.urlopen(request)
print(response.read())

代码测试，如下图