查看原文
其他

python爬虫10 | 网站维护人员:真的求求你们了,不要再来爬取了!!

小帅b 学习python的正确姿势 2019-04-06

今天


小帅b想给大家讲一个小明的小故事



...





话说


在很久很久以前


小明不小心发现了一个叫做


学习python的正确姿势


的公众号


从此一发不可收拾


看到什么网站都想爬取



有一天


小明发现了一个小黄网


里面的小姐姐


一个比一个诱人


看了一会这个小黄网


小明不知道在倒腾什么


反正30秒之后小明虎躯一震



....



那天晚上


小明躺在床上


夜不能寐


脑子一直都停留在那个


突然灵光一闪


我这不是刚学了爬虫技术么


我应该把那个网站上的小姐姐都爬取到自己的电脑啊


就算下次那个没了


自己也还有东西可看


真是佩服自己的机智啊



.....


第二天小明就开始爬取


小明使用


python爬虫入门01:教你在 Chrome 浏览器轻松抓包


抓了一下数据的请求


然后用


python爬虫04 | 长江后浪推前浪,Reuqests库把urllib库拍在沙滩上


开启一顿的骚操作



...


哎~


小明还是太年轻了


这时候网络运维人员看到了自己的服务器


“瓦里割草”


怎么突然被疯狂的请求?


赶紧看一下日志


妈的,都是同一个 IP


谁他妈闲着没事来搞我?


小伙再定睛一看


我去, user-agent 是 python 程序


把小伙子给气的啊


直接把对方的 ip 地址给封了(加入黑名单)



....



小明本来以为一切都能按自己计划行事


没想到突然中断了


小明重新运行了一下程序


发现完全无法连接了


以为是自己的网络断了


可是自己上百度是可以的啊


后来突然想到


好像之前 小帅b 说过


爬虫要学会伪装,要不然很容易被对方识破的



....


原来如此


小明使用了代理ip


把 user-agent 设置为 Chrome 浏览器


然后又开始一顿的爬取了


还特么开启了多线程



....



运维人员又发现不对劲


妈的


这数据不正常,这不正常


肯定有人又来搞事情了


然后就把网站设置为只有登录的人才可以获取数据


.....



小明发现了


觉得这是小意思


在这个网站注册了账号


然后设置了相应的cookie


继续爬!


....


没过多久


小明的手机突然响了


小明以为是自己的外卖到了


拿起电话就说:来了~


结果没想到的是


手机那边传来:wcnmlgb!你他妈再爬你看我不弄死你


吓得小明差点yw



挖槽


原来刚刚自己注册的是自己的手机号码


小明突然觉得自己太 sb 了


....


小明本来想就这样算了的


可是刚被骂的觉得很不爽


小明把自己的手机关机


然后自己注册了很多个账号


搞了多个 cookie 池


一起爬!!



....



这次运维人员慌了


没想到对方这么会搞事情


开始对那些频繁访问的ip给封了


然后给自己的网站加了验证码


谁他妈想要请求数据


都要先输入一次验证码才可以


这次看你怎么搞


....



小明这次真的是杠上了


机器学习识别验证码都搞上了


直接在程序自动识别验证码然后进行请求


这次小明完全不把小帅b放在眼里了



....



运维人员快要没办法了


突然看到了一些大量的请求都只是获取 HTML 数据


但是 js 和 css 这些都不请求的


不合理


于是把整个网站


都不直接返回 HTML 了


用 ajax 加载


.....



小明呵呵一笑


这能难倒我?


拿出最近小帅b说的


python爬虫09 | 上来,自己动 !这就是 selenium 的牛逼之处


直接模仿人类操作


这还没完


听 小帅b 说还有一个叫做 phantomjs 的玩意


selenium + phantomjs 可以达到完全模拟浏览器操作


友情提示:小帅b 下篇推文会跟大家说怎么使用selenium + phantomjs


....


这下


运维人员真的没办法了


玩不动了


只能说一句


真的求求你们了,不要再来爬取了!



...



哈~


本故事纯属乱吹


如有雷同


别在意



最后


大家都是程序员


不容易


别乱搞事情



扫一扫

学习 Python 没烦恼







    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存