我一开始用的是requests库,header加了accept和user-agent,这是一开始的代码:
import requests
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36',
}
url = "https://www.baidu.com/s?wd=python"
response = requests.get(url, headers=headers)
response.encoding = 'utf-8'
print(response.text)
返回结果:
然后我用urllib.request试了一下
import urllib.request
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36 Edg/83.0.478.50',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'
}
url = "https://www.baidu.com/s?wd=python"
req = urllib.request.Request(url=url, headers=headers)
html = urllib.request.urlopen(req).read().decode('UTF-8')
# with open(r'new.html', mode='w',encoding='utf-8') as f:
# f.write(html)
print(html)
# with open('new.html', mode='rb') as f:
# #f.read()
# html = f.read().decode("utf-8")
# soup = BeautifulSoup(html, 'html.parser')
# bs = soup.select('#content_left')
# print(bs)
# f.close()
就可以返回了...
大概因为requests是第三方库比较容易被识别?哪位大神知道可以在评论区告诉我一下怎么用requests绕过吗(〃'▽'〃)
再一个问题,爬虫是不是也跟浏览器的版本有关系?我和上面这个header的区别也就是浏览器版本不一样吧
#这个是我自己浏览器的header,不管是requests还是urllib.request都是拿不到的
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36',
# }
ps:如果请求参数想加中文的话,可以用quote
from urllib.parse import quote
text = quote("从万米高空降临", 'utf-8') #把中文进行url编码
url = "https://www.baidu.com/s?wd="+ text
===更新==============2023.07.02=====================
感谢评论区友友的提示!我这边尝试了一下直接换http协议,不行;想起了之前我试过的headers里面加Cookie,用http协议请求成功(这个我直接用的高版本chrome的User-Agent)~~
实现如下:
urllib.request同理,headers里面加Cookie,用http请求,User-Agent高版本同样可行。如图:
Cookie是浏览器f12随手拿的:
之前查过很多文章都说加cookie就可以了,但是我怎么试都不行,没想到换个http协议就ok了,果然我还是学的太浅了
===更新===================2024.05.11===========================
好多友友说按照我的方式请求不了,所以今天又查了一下,算是借鉴吧:爬虫百度返回“百度安全验证”解决方案_百度安全验证的解决方法-CSDN博客
我用这个博主请求的url试了试,果然不管什么请求方式,或者按照博主说的登录账号获取cookie,我这边一直都返回百度安全验证,确实也不知道再加什么了,所以再次指路:爬虫百度返回“百度安全验证”终极解决方案_haddler显示百度安全验证-CSDN博客
果然用 selenium还是很香的,不需要账号也不需要登录,因为我本身之前就装过这个包了,只是当时没继续看下去,大家自己找装包方法,我就是按照上面这个写出来的(有一点小小的调整因为我这里会有点报错信息,不影响读出的结果),请求成功~
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.edge.service import Service
from selenium import webdriver
# 我们并不需要浏览器弹出
options = Options()
options.add_argument('--headless')
options.add_argument('--disable-gpu')
# 启动浏览器的无头模式,访问
# ========================================
# 注意:这是Selenium 4.10.0以下写法,高版本见下面
# ========================================
url = "http://mbd.baidu.com/newspage/data/dtlandingwise?sourceFrom=share_ugc&nid=dt_5081303661936210764"
driver = webdriver.Chrome(service=Service('chromedriver.exe'), options=options)
driver.get(url)
# 获取页面的源代码
page_source = driver.page_source
# 输出页面源代码
print(page_source)
driver.quit()
读取结果如下:
版权归原作者 pllpllpll0307 所有, 如有侵权,请联系我们删除。