【爬虫实战】一起一步步分析亚马逊的反爬虫机制

发表于

​

大家好，我是Lex 喜欢欺负超人那个Lex

擅长领域：python开发、网络安全渗透、Windows域控Exchange架构

今日重点：一步步分析and越过亚马逊的反爬虫机制

事情是这样的

亚马逊是全球最大的购物平台

很多商品信息、用户评价等等都是最丰富的。

今天，手把手带大家，越过亚马逊的反爬虫机制

爬取你想要的商品、评论等等有用信息

)​

反爬虫机制

但是，我们想用爬虫来爬取相关的数据信息时

像亚马逊、TBao、JD这些大型的购物商城

他们为了保护自己的数据信息，都是有一套完善的反爬虫机制的

先试试亚马逊的反爬机制

我们用不同的几个python爬虫模块，来一步步试探

最终，成功越过反爬机制。

一、urllib模块

代码如下：

1
2
3
4
ini复制代码# -*- coding:utf-8 -*-
import urllib.request
req = urllib.request.urlopen('https://www.amazon.com')
print(req.code)

返回结果：状态码：503。

分析：亚马逊将你的请求，识别为了爬虫，拒绝提供服务。

)​

本着科学严谨的态度，我们拿万人上的百度试一下。

返回结果：状态码 200

分析：正常访问

)​

那说明，urllib模块的请求，被亚马逊识别为爬虫，并拒绝提供服务

二、requests模块

1、requests直接爬虫访问

效果如下 ↓ ↓ ↓

)​

代码如下 ↓ ↓ ↓

1
2
3
4
ini复制代码import requests
url='https://www.amazon.com/KAVU-Rope-Bag-Denim-Size/product-reviews/xxxxxx'
r = requests.get(url)
print(r.status_code)

返回结果：状态码：503。

分析：亚马逊同样拒绝了requsets模块的请求

将其识别为了爬虫，拒绝提供服务。

2、我们给requests加上cookie

加上请求cookie等相关信息

效果如下 ↓ ↓ ↓

)​

代码如下 ↓ ↓ ↓

1
2
3
4
5
6
7
8
9
10
11
12
13
dart复制代码import requests

url='https://www.amazon.com/KAVU-Rope-Bag-Denim-Size/product-reviews/xxxxxxx'
web_header={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:88.0) Gecko/20100101 Firefox/88.0',
'Accept': '*/*',
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Accept-Encoding': 'gzip, deflate, br',
'Connection': 'keep-alive',
'Cookie': '你的cookie值',
'TE': 'Trailers'}
r = requests.get(url,headers=web_header)
print(r.status_code)

返回结果：状态码：200

分析：返回状态码是200了，正常了，有点爬虫那味了。

3、检查返回页面

我们通过requests+cookie的方法，得到的状态码为200

目前至少被亚马逊的服务器正常提供服务了

我们将爬取的页面写入文本中，通过浏览器打开。

)​

我踏马…返回状态是正常了，但返回的是一个反爬虫的验证码页面。

还是 被亚马逊给挡住了。

三、selenium自动化模块

相关selenium模块的安装

1
复制代码pip install selenium

代码中引入selenium，并设置相关参数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
python复制代码import os
from requests.api import options
from selenium import webdriver
from selenium.webdriver.chrome.options import Options

#selenium配置参数
options = Options()
#配置无头参数,即不打开浏览器
options.add_argument('--headless')
#配置Chrome浏览器的selenium驱动 
chromedriver="C:/Users/pacer/AppData/Local/Google/Chrome/Application/chromedriver.exe"
os.environ["webdriver.chrome.driver"] = chromedriver
#将参数设置+浏览器驱动组合
browser = webdriver.Chrome(chromedriver,chrome_options=options)

测试访问

1
2
3
4
ini复制代码url = "https://www.amazon.com"
print(url)
#通过selenium来访问亚马逊
browser.get(url)

返回结果：状态码：200

分析：返回状态码是200了，访问状态正常，我们再看看爬到的网页信息。

将网页源码保存到本地

1
2
3
4
5
lua复制代码#将爬取到的网页信息，写入到本地文件
fw=open('E:/amzon.html','w',encoding='utf-8')
fw.write(str(browser.page_source))
browser.close()
fw.close()

打开我们爬取的本地文件，查看 ，

我们已经成功越过了反爬虫机制，进入到了Amazon的首页

)​

结局

通过selenium模块，我们可以成功的越过

亚马逊的反爬虫机制。

下一篇：我们继续介绍，如何来爬取亚马逊的数十万商品信息及评论。

【有问题，请留言~】

本文转载自: 掘金

开发者博客 – 和开发相关的 这里全都有

0%