Python爬虫防封杀方法集合

查找出陷阱url和不可见的value代码

from selenium import webdriver#from selenium.webdriver.remote.webelement import WebElementurl = 'http://pythonscraping.com/pages/itsatrap.html'driver = webdriver.PhantomJS(executable_path="phantomjs.exe")
driver.get(url)
links = driver.find_elements_by_tag_name("a")for link in links：if not link.is_displayed()：print "the link "+link.get_attribute("href")+"is a trap"fields = driver.find_elements_by_tag_name("input")for field in fields：if not field.is_displayed()：print "do not change value of "+field.get_attribute("name")

结果就是

the link http://pythonscraping.com/dontgohereis a trapdo not change value of phonedo not change value of email

方法5：采用分布式爬取

基于Python，scrapy，redis的分布式爬虫实现框架

分布式爬取，针对比较大型爬虫系统，实现步骤如下所示1.基本的http抓取工具，如scrapy2.避免重复抓取网页，如Bloom Filter3.维护一个所有集群机器能够有效分享的分布式队列4.将分布式队列和Scrapy结合5.后续处理，网页析取(python-goose)，存储(Mongodb)(知乎上看到的补充一下)

采用Scrapy的例子，请参考这里基于Scrapy对Dmoz进行抓取

方法6：进行模拟登陆

这个就太多了，一般用Selenium，可以结合Firefox或者是无头浏览器PhantomJS，这个做的东西比较多了，如果感兴趣，可以点击这些，进行查看，方法，代码，解析，一应俱全

• Selenium+PhantomJS自动续借图书馆书籍(下)

• Python自定义豆瓣电影种类，排行，点评的爬取与存储(进阶下)

• 基于Selenium一键写CSDN博客

Pay Attention

1.上述实验的代理ip只对当前数据有效，如果你自己想实验，请自己选择比较新的代理ip，我这个ip可能过一段时间就废了

2.目前我主要采用的方法就是采用加请求头挂上代理ip的方法，对用JS写的网站，requests抓不全数据，所以采用Selenium+PhantomJS/Firefox的方法

3.暂且学到这么多，自己总结了下，以后再补充。

注：相关网站建设技巧阅读请移步到建站教程频道。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!