详解python 破解网站反爬虫的两种简单方法

最近在学爬虫时发现许多网站都有自己的反爬虫机制，这让我们没法直接对想要的数据进行爬取，于是了解这种反爬虫机制就会帮助我们找到解决方法。
常见的反爬虫机制有判别身份和IP限制两种，下面我们将一一来进行介绍。

(一) 判别身份

首先我们看一个例子，看看到底什么时反爬虫。
我们还是以 豆瓣电影榜top250(https://movie.douban.com/top250) 为例。`

import requests# 豆瓣电影榜top250的网址url = 'https://movie.douban.com/top250'# 请求与网站的连接res = requests.get(url)# 打印获取的文本print(res.text)

这是段简单的请求与网站连接并打印获取数据的代码，我们来看看它的运行结果。

我们可以发现我们什么数据都没有获取到，这就是由于这个网站有它的身份识别功能，把我们识别为了爬虫，拒绝为我们提供数据。不管是浏览器还是爬虫访问网站时都会带上一些信息用于身份识别。而这些信息都被存储在一个叫请求头(request headers) 的地方。而这个请求头中我们只需要了解其中的一个叫user-agent(用户代理) 的就可以了。user-agent里包含了操作系统、浏览器类型、版本等信息，通过修改它我们就能成功地伪装成浏览器。
下面我们来看怎么找这个user-agent吧。

首先得打开浏览器，随便打开一个网站，再打开开发者工具。
再点击network标签，接着点第一个请求，再找到Request Headers，最后找到user-agent字段。(有时候可能点击network标签后是空白得，这时候刷新下网页就好啦！)

找到请求头后，我们只需要把他放进一个字典里就好啦，具体操作见下面代码。

import requests# 复制刚才获取得请求头headers = {  'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}# 豆瓣电影榜top250的网址url = 'https://movie.douban.com/top250'# 请求与网站的连接res = requests.get(url, headers=headers)# 打印获取的文本print(res.text)

现在我们再来看部分输出结果。

我们可以发现已经将该网站的HTML文件全部爬取到了，至此第一种方法就将完成了。下面我们来看第二种方法。

(二) IP限制

IP(Internet Protocol) 全称互联网协议地址，意思是分配给用户上网使用的网际协议的设备的数字标签。它就像我们身份证号一样，只要知道你的身份证号就能查出你是哪个人。