• 网络爬虫--伪装浏览器


    从用户请求的Headers反反爬

      在访问某些网站的时候,网站通常会用判断访问是否带有头文件来鉴别该访问是否为爬虫,用来作为反爬取的一种策略。很多网站都会对Headers的User-Agent进行检测,还有一部分网站会对Referer进行检测(一些资源网站的防盗链就是检测Referer)。针对这种反爬机制,我们可以伪装headers,将浏览器的User-Agent复制到爬虫的Headers中;或者将Referer值修改为目标网站域名或者为上一个请求地址。

    分析Chrome的头信息

    在这里插入图片描述

    访问请求头中包含了浏览器以及系统的信息(headers所含信息众多,其中User-Agent就是用户浏览器身份的一种标识,具体可自行查询)、Referer、Cookie。

    代码

    引入依赖

            <dependency>
                <groupId>org.jsoup</groupId>
                <artifactId>jsoup</artifactId>
                <version>1.16.1</version>
            </dependency>
            <dependency>
                <groupId>com.alibaba</groupId>
                <artifactId>easyexcel</artifactId>
                <version>3.3.2</version>
            </dependency>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    @SpringBootTest
    class CrawlerApplicationTest {
    
        @Test
        void contextLoads() {
            Set<String> domainResult = new HashSet<>();
            String urlStr = "http://ssssss.com/domain";
            int pageSize = 0;
            try {
                for (int i = 0; i < 194994; i++) {
                    String crawlerUrl = "";
                    if (i == 0) {
                        crawler(urlStr, domainResult, null);
    //                    crawlerUrl = "http://swkong.com/domain/index" + pageSize + ".html";
    //                    System.out.println(pageSize);
    //                    System.out.println(crawlerUrl);
                    } else {
                        String referrerUrl = "";
                        if (i == 1) {
                            referrerUrl = "http://ssssss.com/domain";
                        } else {
                            referrerUrl = "http://ssssss.com/domain/index" + (pageSize - 1) + ".html";
                        }
                        crawlerUrl = "http://ssssss.com/domain/index" + pageSize + ".html";
                        crawler(crawlerUrl, domainResult, referrerUrl);
                        System.out.println(pageSize);
                        pageSize += 1;
    
                        System.out.println(crawlerUrl);
                        System.out.println(referrerUrl);
                    }
                    System.out.println("-----------------------------");
                }
            } catch (Exception e) {
                e.printStackTrace();
                System.out.println(domainResult.size());
                System.out.println("catch");
            } finally {
                System.out.println(domainResult.size());
                writeExcel(domainResult);
            }
    
        }
    
        public void crawler(String urlStr, Set<String> domainResult, String referrer) throws IOException, InterruptedException {
            Document parse = sendRequest(urlStr, referrer);
            Elements dispdomain = Objects.requireNonNull(parse.getElementById("dispdomain")).getElementsByAttribute("href");
            getDomain(dispdomain, domainResult);
            System.out.println("请求地址:" + urlStr);
            System.out.println("__________________________________________");
    //        Elements xpage = Objects.requireNonNull(parse.getElementById("xpage")).getElementsByAttribute("href");
    //        System.out.println(xpage);
    //        String crawlerUrl = "http://swkong.com" + xpage.get(page).attr("href");
        }
    
        public void getDomain(Elements elements, Set<String> result) {
            for (int i = 0; i < elements.size(); i++) {
                String attr = elements.get(i).select("a").attr("href");
                if (attr.contains("?q=")) {
                    String s = attr.split("q=")[1];
                    result.add(s);
                }
            }
            System.out.println(result.size());
        }
    
        public Document sendRequest(String urlStr, String referrer) throws IOException {
            Map<String, String> cookies = new HashMap<>();
            cookies.put("cargo_keyword", "xxxxxxxxxxxxxxxxx");
            cookies.put("PHPSESSID", "xxxxxxxxxxxxxxxxx");
            cookies.put("language", "zh-cn");
            if (StringUtils.hasText(referrer)) {
                return Jsoup.connect(urlStr)
                        .timeout(5000)
                        .ignoreContentType(true)
                        .userAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36")
                        .cookies(cookies)
                        .referrer(referrer)
                        .get();
            }
            return Jsoup.connect(urlStr)
                    .timeout(5000)
                    .ignoreContentType(true)
                    .userAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36")
                    .cookies(cookies)
                    .get();
        }
    
        public void writeExcel(Set<String> domainResult) {
            List<DomainDto> resultExcel = new ArrayList<>();
            for (String domain : domainResult) {
                DomainDto domainDto = new DomainDto();
                domainDto.setDomainUrl(domain);
                resultExcel.add(domainDto);
            }
    
            String path = "D:\\" + System.currentTimeMillis() + ".xlsx";
            EasyExcel.write(path, DomainDto.class).sheet("域名").doWrite(resultExcel);
        }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88
    • 89
    • 90
    • 91
    • 92
    • 93
    • 94
    • 95
    • 96
    • 97
    • 98
    • 99
  • 相关阅读:
    字符串的最小表示法
    Java线程学习入门
    怎么团队合作,协作开发
    python(10)
    基于Spring接口,集成Caffeine+Redis两级缓存
    国外Twilio 发送sms短信
    LeetCode 每日一题 2023/9/4-2023/9/10
    【Unity】苹果(IOS)开发证书保姆级申请教程
    【论文阅读】DeepLab:语义图像分割与深度卷积网络,自然卷积,和完全连接的crf
    服务器开发24:tinyxml使用(服务器起服读取配置信息接口)
  • 原文地址:https://blog.csdn.net/cimbala/article/details/133349798