爬豆瓣相册遇到 403，伪装浏览器不成功，呼叫总部...

[dedewei]

google得到伪装浏览器有两种选择：
第一种：


第二种：


还是返回403，请问哪里出错了？


全部代码：

又可以了，不知道是什么回事....抓狂.....

谢谢大家的指点，就不一一回复了，不过都点了感谢。
v2ex大家都很热心啊，非常感谢。

[xiaogui]

抓的频率太快了吧

[jarlyyn]

没用python写过爬虫。

但是伪装浏览器，

首先是不是考虑有cookie?

其次是否考虑支持js的库？

第三是不是踩到了陷阱链接？

当然频率也是个问题。

[jarlyyn]

对了，还有reference_url?

我记得当时是用chrome开network页，然后把所有的header都copy了一遍。

[messense]

用 requests 吧..... urllib2 太难用了。

豆瓣反爬虫机制比较厉害，用很多代理 ip 去抓比较有效。ban 了就换代理。

[terrychang]

带上cookie看看

[alangz]

我抓取豆瓣小组内容的时候也是403，但是添加了UserAgent之后就可以了。不知道你为何不可以，当然用的时java。

[dedewei]

@jarlyyn 试过把所有header除了cookie都copy一遍，也不行。添加了Referer也还是不行。

小白，现在目标是先把脚本运行起来。所以cookie等知识打算一边学一边补。非常感谢你的回答。

[dedewei]

@terrychang 非常感谢，带上cookie运行成功了

[dedewei]

@messense 谢谢给的建议

[dedewei]

@terrychang 运行了两分钟.....又403了.....

[dedewei]

@terrychang
@messense
@jarlyyn 我想问的是，是不是如果上面模拟浏览器的步骤不出错，就肯定能继续爬？还是说上面即使模拟浏览器成功了，依然有其他方式导致403？

[xiaogui]

@dedewei “运行了两分钟.....又403了.....”主要是频率了吧

[dedewei]

@xiaogui 会不会是之前ip被屏蔽，等了很久，添加cookie再试的时候刚好解封了，所以才运行了几分钟？ 频率是设置爬取的时间间隔？爬一个网页等5秒这样子？我试试。

[xiaogui]

@dedewei 刚开始封，都是比如封你几分钟，但是抓取频率过高的话，这个时间会指树上升的。

[dedewei]

@dedewei 尝试了下，直接urllib2.urlopen(url)都返回403，应该不是频率问题吧

[dedewei]

@xiaogui 我好像理解错你说的频率了？

[terrychang]

不知道你带的是不是登录会员的cookie。
登录你的豆瓣帐号，然后用firebug导出你的cookie试试。

[lerry]

既然是伪装浏览器，就要尽可能的像浏览器一样
使用 requests.Session 把浏览器的headers都带上，能应付大部分网站，有的要有Referer，有的要js执行了才行，就用 phantomjs
理论上爬虫是防不住的，顶多是会限制频率罢了，这时侯你可以找一堆匿名代理

[hp19890515]

之前做了个简单的爬虫爬大众点评的商户，也有这种情况，试了几次之后知道是频率的问题，于是每次403的时候就休息一会儿，每隔2分钟再尝试，等不403的时候就又继续运行了

[liyaoxinchifan]

多ip才是王道

[em70]

豆瓣早就用频率监控了,经过测试,一分钟40次是临界点,抓一个等1秒就肯定没问题

[fork3rt]

为什么不使用 requests + beautifulsoup ?

[vjnjc]

挺好玩的,楼主你的程序借我用用啊,据说豆瓣里有很多隐藏的美女,顺便学学python ^^

[caoz]

使用豆瓣的 API (http://developers.douban.com/wiki/?title=photo_v2), 使用豆瓣客户端用的 apikey, 怎么抓也不会被封~

e.g. http://api.douban.com/v2/group/taotaopaoxiao/topics?alt=json&apikey=08f332d3675ca9d71ad9987a3615fd85

[happywowwow]

http://www.douban.com/group/haixiuzu/
请不要害羞
以前写过爬这个的
hhh

[muyi]

模拟容易造成IP被封，如楼上所提到的，用官方客户端的apikey，使用api来爬

[AnyOfYou]

http://doc.scrapy.org/en/0.24/topics/practices.html#bans
Scrapy 的文档中有一点关于如何防治爬虫被 Ban 的方法：

rotate your user agent from a pool of well-known ones from browsers (google around to get a list of them)
disable cookies (see COOKIES_ENABLED) as some sites may use cookies to spot bot behaviour
use download delays (2 or higher). See DOWNLOAD_DELAY setting.
if possible, use Google cache to fetch pages, instead of hitting the sites directly
use a pool of rotating IPs. For example, the free Tor project or paid services like ProxyMesh
use a highly distributed downloader that circumvents bans internally, so you can just focus on parsing clean pages. One example of such downloaders is Crawlera

[justlikemaki]

..我遇到过网站故意返回错误代码，然后还返回页面代码的。

[darmody]

看你的代码没有加延时之类的东西，估计是抓取频率的问题

[aliao0019]

注意豆瓣的 header 里面的 bid

[aliao0019]

@aliao0019 headers

[dedewei]

@terrychang 没看懂，不过谢谢，以后遇到再试试

[dedewei]

@lerry lxml and Requests 似乎大家都在推荐这样，继续学习。谢谢指点！

[dedewei]

@caoz 多谢，当时顺手google了下，没找到，就放弃了。还没用过api，打算这就试试。非常感谢。

[dedewei]

@happywowwow 哈哈哈〜，提供很好的素材，这就爬去！！！！！！！！！！

[dedewei]

@AnyOfYou mark.....等再熟练点再好好看看......

[lerry]

@dedewei 我用的PyQuery，可以像jQuery一样操作dom元素，很方便

[penjianfeng]

@happywowwow 进去看了下，终于明白为何以前他们说douban才是大黄了-_-||

[zjuster]

豆瓣的反爬虫机制都是被你们逼的..haha 请不要误会，我并没有恶意..