python爬虫基础（5：UA伪装）

前面的几篇我们了解了爬虫的大致过程

源码下载 + 数据解析 + 数据保存

对应粘贴了 requests、BeautifulSoup、re 的介绍连接、演示了利用 pymysql 模块连接并保存到 MySQL 的过程

但在下载源码中会遇到各种问题，这次来讲最简单的反爬策略：UA禁止 

UA（User-Agent）是什么？

User-Agent：翻译是用户代理，其实就是用户的身份

当用浏览器随便访问一个网站时（chrome为例）

通过开发者工具-->network，选择一个请求的Headers，查看 Request Headers 的 User-Agent

可以看出后面跟了些浏览器的名字

这就代表了 用户的身份是浏览器

爬虫的UA有什么问题？

先说一个工具网站：http://httpbin.org/get

这个网站直接返回请求头信息

用浏览器打开时User-Agent是这样的，后面是浏览器信息

下面我们用爬虫来访问

# 导入requests请求模块
import requests


# 要访问的网站的链接
# http://httpbin.org/get是个工具网站，直接返回请求头的信息
url = 'http://httpbin.org/get'
# 用get()方法访问得到一个Response对象
response = requests.get(url)
# 打印返回内容
print(response.text)

结果是这样：

发现了吗？python代码特别 傻，直接告诉人家 自己是个爬虫

很多网站监测到是个爬虫在访问，就会禁止

比如 知乎

我们尝试用爬虫访问

# 导入requests请求模块
import requests


# 要访问的网站的链接
url = 'https://www.zhihu.com/'
# 用get()方法访问得到一个Response对象
response = requests.get(url)
# 打印返回内容
print(response.text)

结果如下：

很明显这不是我们想要的源码，还直接给错误码 400

所以遇到 400 就要考虑是不是爬虫被禁了

怎么解决？

既然网站是通过 User-Agent 辨认身份的，那我们将 User-Agent 改成浏览器就行了

通过修改 UA 把爬虫伪装成浏览器，就是 UA 伪装了

我们通过编写请求头headers，将浏览器的 User-Agent 粘贴过来

# 导入requests请求模块
import requests


# 要访问的网站的链接
url = 'https://www.zhihu.com/'
# 自己编写请求头
headers = {
    'User-Agent': '"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
# 用get()方法，headers参数是请求头
response = requests.get(url, headers=headers)
# 打印返回内容
print(response.text)

结果就没有 400 了