google得到伪装浏览器有两种选择：
第一种：
第二种：
还是返回403，请问哪里出错了？
全部代码：
第一种：
第二种：
还是返回403，请问哪里出错了？
全部代码：
推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
This topic created in 4242 days ago, the information mentioned may be changed or developed.
Supplement 1 · Mar 24, 2015
又可以了，不知道是什么回事....抓狂.....
Supplement 2 · Mar 25, 2015
谢谢大家的指点，就不一一回复了，不过都点了感谢。
v2ex大家都很热心啊，非常感谢。
v2ex大家都很热心啊，非常感谢。
 |
1
抓的频率太快了吧
|
1 |
2
没用python写过爬虫。
但是伪装浏览器， 首先是不是考虑有cookie? 其次是否考虑支持js的库？ 第三是不是踩到了陷阱链接？ 当然频率也是个问题。 |
|
3
对了，还有reference_url?
我记得当时是用chrome开network页，然后把所有的header都copy了一遍。 |
 |
4
用 requests 吧..... urllib2 太难用了。
豆瓣反爬虫机制比较厉害，用很多代理 ip 去抓比较有效。ban 了就换代理。 |
 |
5
带上cookie看看
|
 |
6
我抓取豆瓣小组内容的时候也是403，但是添加了UserAgent之后就可以了。不知道你为何不可以，当然用的时java。
|
 |
7
@jarlyyn 试过把所有header除了cookie都copy一遍，也不行。添加了Referer也还是不行。
小白，现在目标是先把脚本运行起来。所以cookie等知识打算一边学一边补。非常感谢你的回答。 |
|
8
@terrychang 非常感谢，带上cookie运行成功了
|
|
10
@terrychang 运行了两分钟.....又403了.....
|
|
11
|
|
13
@xiaogui 会不会是之前ip被屏蔽，等了很久，添加cookie再试的时候刚好解封了，所以才运行了几分钟？ 频率是设置爬取的时间间隔？爬一个网页等5秒这样子？我试试。
|
|
17
不知道你带的是不是登录会员的cookie。
登录你的豆瓣帐号，然后用firebug导出你的cookie试试。 |
 |
18
既然是伪装浏览器，就要尽可能的像浏览器一样
使用 requests.Session 把浏览器的headers都带上，能应付大部分网站，有的要有Referer，有的要js执行了才行，就用 phantomjs 理论上爬虫是防不住的，顶多是会限制频率罢了，这时侯你可以找一堆匿名代理 |
 |
19
之前做了个简单的爬虫爬大众点评的商户，也有这种情况，试了几次之后知道是频率的问题，于是每次403的时候就休息一会儿，每隔2分钟再尝试，等不403的时候就又继续运行了
|
 |
20
多ip才是王道
|
 |
21
豆瓣早就用频率监控了,经过测试,一分钟40次是临界点,抓一个等1秒就肯定没问题
|
 |
22
为什么不使用 requests + beautifulsoup ?
|
 |
vjnjcMar 24, 2015
23
挺好玩的,楼主你的程序借我用用啊,据说豆瓣里有很多隐藏的美女,顺便学学python ^^
|
 |
24
使用豆瓣的 API (http://developers.douban.com/wiki/?title=photo_v2), 使用豆瓣客户端用的 apikey, 怎么抓也不会被封~
e.g. http://api.douban.com/v2/group/taotaopaoxiao/topics?alt=json&apikey=08f332d3675ca9d71ad9987a3615fd85 |
 |
25
|
 |
26
模拟容易造成IP被封，如楼上所提到的，用官方客户端的apikey，使用api来爬
|
 |
27
http://doc.scrapy.org/en/0.24/topics/practices.html#bans
Scrapy 的文档中有一点关于如何防治爬虫被 Ban 的方法： rotate your user agent from a pool of well-known ones from browsers (google around to get a list of them) disable cookies (see COOKIES_ENABLED) as some sites may use cookies to spot bot behaviour use download delays (2 or higher). See DOWNLOAD_DELAY setting. if possible, use Google cache to fetch pages, instead of hitting the sites directly use a pool of rotating IPs. For example, the free Tor project or paid services like ProxyMesh use a highly distributed downloader that circumvents bans internally, so you can just focus on parsing clean pages. One example of such downloaders is Crawlera |
 |
28
..我遇到过网站故意返回错误代码，然后还返回页面代码的。
|
 |
29
看你的代码没有加延时之类的东西，估计是抓取频率的问题
|
 |
30
注意豆瓣的 header 里面的 bid
|
|
32
@terrychang 没看懂，不过谢谢，以后遇到再试试
|
|
35
@happywowwow 哈哈哈〜，提供很好的素材，这就爬去！！！！！！！！！！
|
 |
penjianfengMar 25, 2015
38
@happywowwow 进去看了下，终于明白为何以前他们说douban才是大黄了-_-||
|
 |
zjusterMar 25, 2015
39
豆瓣的反爬虫机制都是被你们逼的..haha 请不要误会，我并没有恶意..
|
Select Language