走近Python爬虫（二）：常见反爬虫机制的应对措施

本文是Python爬虫系列博客的第二篇，内容概览如下：

一、应对—异步加载

1.一般措施

• AJAX技术介绍：

AJAX是Asynchronous JavaScript And XML的首字母缩写，意为异步JavaScript与XML。使用AJAX技术，可以在不刷新网页的情况下更新网页数据。使用AJAX技术的网页，一般会使用HTML编写网页的框架。在打开网页的时候，首先加载的是这个框架。剩下的部分将会在框架加载完成以后再通过JavaScript从后台加载。

网页上面存在的某些文字，在源代码中却不存在的情况，绝大部分都是使用了异步加载技术。

• 应对思路：
  +++当我们发现某个接口获取数据的前提是向服务器发起GET或POST请求，然后在response中获取网页数据。我们可以使用Python模拟浏览器（使用浏览器的请求头和请求体）发送GET或POST请求。
  +++有一些网页，显示在页面上的内容要经过多次异步请求才能得到。第1个AJAX请求返回的是第2个请求的参数，第2个请求的返回内容又是第3个请求的参数，只有得到了上一个请求里面的有用信息，才能发起下一个请求。像这种情况，解决思路也是通过构造一个又一个的请求来获取最终数据。不过在这个过程中需要有深厚的代码功底，否则难以看懂经过了混淆的源代码。
  +++包括基于异步加载的简单登录，也可以通过这种方式来实现，从而获得相应的通过口令。

2.Selenium

虽然在网页的源代码中无法看到被异步加载的内容，但是在Chrome的开发者工具的“Elements”选项卡下却可以看到网页上的内容，这就说明Chrome开发者工具“Elements”选项卡里面的HTML代码和网页源代码中的HTML代码是不一样的。在开发者工具中，此时显示的内容是已经加载完成的内容。如果能够获得这个被加载的内容，那么就能绕过手动构造的过程，可以直接使用XPath来获得想要的内容。

这种情况下，就需要使用Selenium操作浏览器来解析JavaScript，再爬取被解析以后的代码。

• 安装：

    pip install selenium

下载ChromeDriver，根据自己的系统选择合适的版本，并安装。

• 代码：
  可以根据实际情况修改until条件。

    from selenium import webdriver
    from selenium.webdriver.support.ui import WebDriverWait
    from selenium.webdriver.common.by import By
    from selenium.webdriver.support import expected_conditions as EC
    
    driver = webdriver.Chrome('./chromedriver')
    
    # 获取页面
    try:
      WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.CLASS_NAME, "content")))
    except Exception as _:
      print(’网页加载太慢，不想等了。')
      
	# 查找资源
    print(driver.page_source)
    comment = driver.find_element_by_xpath('//div[@class="content"]')
    print(comment.text)
    comment = driver.find_elements_by_xpath('//p[starts-with(@id, "content_")]')
    for each in comment:
      print(each.text)

二、应对—登录验证

1.使用Selenium模拟登录

优点是简单有效，缺点是它的速度太慢了，不适合用于大规模的爬虫开发。

（1）初始化ChromeDriver。
（2）打开知乎登录页面。
（3）找到用户名的输入框，输入用户名。
（4）找到密码输入框，输入用户名。
（5）手动单击验证码。
（6）按下Enter键。

• 示例代码：

    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys
    import time
    
    driver = webdriver.Chrome('./chromedriver') #填写你的chromedriver的路径
    driver.get("https://www.zhihu.com/#signin")
    
    elem = driver.find_element_by_name("account") #寻找账号输入框
    elem.clear()
    elem.send_keys("xxx@gmail.com") #输入账号
    password = driver.find_element_by_name('password') #寻找密码输入框
    password.clear()
    password.send_keys("12345678") #输入密码
    
    input(’请在网页上点击倒立的文字，完成以后回到这里按任意键继续。')
    elem.send_keys(Keys.RETURN) #模拟键盘回车键
    
    time.sleep(10)#这里可以直接sleep，也可以等待某个条件出现
    print(driver.page_source)
    
    driver.quit()

2.使用Cookies登录

为了不让用户每次访问网站都进行登录操作，浏览器会在用户第一次登录成功以后放一段加密的信息在Cookies中。下次用户访问，网站先检查Cookies有没有这个加密信息，如果有并且合法，那么就跳过登录操作，直接进入登录后的页面。通过已经登录的Cookies，可以让爬虫绕过登录过程，直接进入登录以后的页面。

使用Cookie来登录网页，不仅可以绕过登录步骤，还可以绕过网站的验证码。

3.使用Session模拟表单登录

因为某些网站的登录过程中涉及到了页面跳转，但是我们却无法感知到中间的某些跳转，因此仅仅是模拟一步GET/POST请求无法实现模拟登陆，可能需要分多步进行。

在这种情况下，使用python requests的Session模块来模拟这个登录。

• 代码示例：

import requests

login_url='xxx'
login_success='xxxx'

data={
    'username':'111',
    'password':'1111'
}

session=requests.Session()
# step1
session.post(login_url,data=data).text
# step2
after_login=session.get(login_success).text
print(after_login)

三、应对—验证码

对于一次登录就可以长时间使用的情况，只需要识别一次验证码即可。这种情况下，与其花时间开发一个自动识别验证码的程序，不如直接肉眼识别。

• 借助浏览器肉眼识别：

对于需要输入验证码才能进行登录的网站，可以手动在浏览器登录网站，并通过Chrome获取Cookies，然后使用Cookies来访问网站。这样就可以实现人工输入一次验证码，然后很长时间不再登录。有一些网站的验证码是通过单击或者拖动滑块来验证的。对于这种网站，目前最简单的办法就是使用Cookies来登录，其他方式都不好用。

• 借助代码Session肉眼识别：

（1）爬虫访问登录页面。
（2）分析网页源代码，获取验证码地址。
（3）下载验证码到本地。
（4）打开验证码，人眼读取内容。
（5）构造POST的数据，填入验证码。
（6）POST提交。