python抖音爬蟲采集數(shù)據(jù)的方法是什么

這篇文章主要講解了“python抖音爬蟲采集數(shù)據(jù)的方法是什么”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“python抖音爬蟲采集數(shù)據(jù)的方法是什么”吧！

一、爬蟲與反爬簡介

爬蟲就是我們利用某種程序代替人工批量讀取、獲取網(wǎng)站上的資料信息。而反爬則是跟爬蟲的對立面，是竭盡全力阻止非人為的采集網(wǎng)站信息，二者相生相克，水火不容，到目前為止大部分的網(wǎng)站都還是可以輕易的爬取資料信息。<br>爬蟲想要繞過被反的策略就是盡可能的讓服務(wù)器人你不是機器程序，所以在程序中就要把自己偽裝成瀏覽器訪問網(wǎng)站，這可以極大程度降低被反的概率，那如何做到偽裝瀏覽器呢？

1.可以使用請求頭（headers）來掩飾自己，其中最常用的就是User Agent（中文名為用戶代理），是Http協(xié)議中的一部分，屬于頭域的組成部分，User Agent也簡稱 UA 。它是一個特殊字符串頭，是一種向訪問網(wǎng)站提供你所使用的瀏覽器類型及版本、操作系統(tǒng)及版本、瀏覽器內(nèi)核、等信息的標(biāo)識；表示當(dāng)前訪問服務(wù)器的身份信息，如果同一個身份過于頻繁的訪問服務(wù)器會被識別為機器身份，遭到反爬的打擊，所以需要頻繁的更改User-Agent信息；一般User-Agent字段包括以下幾個信息：瀏覽器標(biāo)識 (操作系統(tǒng)標(biāo)識; 加密等級標(biāo)識; 瀏覽器語言) 渲染引擎標(biāo)識 版本信息；

2.使用不同的User-Agent來規(guī)避反爬策略

比如：

• Accept：客戶端支持的數(shù)據(jù)類型，用逗號隔開，是有順序的，分號前面是主類型，分號后是子類型；

• Accept-Encoding：指定瀏覽器可以支持的web服務(wù)器返回內(nèi)容壓縮編碼類型；

• Accept-Language：瀏覽器可接受的自然語言的類型；

• Connection：設(shè)置HTTP連接的持久化，通常都是Keep-Alive；

• Host：服務(wù)器的域名或IP地址，如果不是通用端口，還包含該端口號；

• Referer：指當(dāng)前請求的URL是在什么地址引用的；

user_agent_list = [
    "Opera/9.80 (X11; Linux i686; U; hu) Presto/2.9.168 Version/11.50",
    "Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (X11; Linux i686; U; es-ES) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/5.0 Opera 11.11",
    "Opera/9.80 (X11; Linux x86_64; U; bg) Presto/2.8.131 Version/11.10",
    "Opera/9.80 (Windows NT 6.0; U; en) Presto/2.8.99 Version/11.10",
    "Opera/9.80 (Windows NT 5.1; U; zh-tw) Presto/2.8.131 Version/11.10",
    "Opera/9.80 (Windows NT 6.1; Opera Tablet/15165; U; en) Presto/2.8.149 Version/11.1",
    "Opera/9.80 (X11; Linux x86_64; U; Ubuntu/10.10 (maverick); pl) Presto/2.7.62 Version/11.01",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0",
    "Opera/9.80 (X11; Linux i686; Ubuntu/14.10) Presto/2.12.388 Version/12.16",
    "Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14",
    "Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0) Opera 12.14",
    "Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02",
    "Opera/9.80 (Windows NT 6.1; U; es-ES) Presto/2.9.181 Version/12.00",
    "Opera/9.80 (Windows NT 5.1; U; zh-sg) Presto/2.9.181 Version/12.00",
    "Opera/12.0(Windows NT 5.2;U;en)Presto/22.9.168 Version/12.00",
    "Opera/12.0(Windows NT 5.1;U;en)Presto/22.9.168 Version/12.00",
    "Mozilla/5.0 (Windows NT 5.1) Gecko/20100101 Firefox/14.0 Opera/12.0",
    "Opera/9.80 (Windows NT 6.1; WOW64; U; pt) Presto/2.10.229 Version/11.62",
    "Opera/9.80 (Windows NT 6.0; U; pl) Presto/2.10.229 Version/11.62",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; de) Presto/2.9.168 Version/11.52",
    "Opera/9.80 (Windows NT 5.1; U; en) Presto/2.9.168 Version/11.51",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; de) Opera 11.51",
    "Opera/9.80 (X11; Linux x86_64; U; fr) Presto/2.9.168 Version/11.50",
]
referer_list = ["https://www.test.com/", "https://www.baidu.com/"]

獲取隨機數(shù)，即每次采集都會根據(jù)隨機數(shù)提取隨機用戶代理、引用地址（注：若有多個頁面循環(huán)采集，最好采集完單個等待個幾秒鐘再繼續(xù)采集，減小服務(wù)器的壓力。）：

import random
import re, urllib.request, lxml.html
import requests
import time, random

def get_randam(data):
    return random.randint(0, len(data)-1)
def crawl():
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection': 'keep-alive',
        'host': 'test.com',
        'Referer': 'https://test.com/',
    }
    random_index = get_randam(user_agent_list)
    random_agent = user_agent_list[random_index]
    headers['User-Agent'] = random_agent
    random_index_01 = get_randam(referer_list)
    random_agent_01 = referer_list[random_index_01]
    headers['Referer'] = random_agent_01
    session = requests.session()
    url = "https://www.test.com/"
    html_data = session.get(url, headers=headers, timeout=180)
    html_data.raise_for_status()
    html_data.encoding = 'utf-8-sig'
    data = html_data.text
    data_doc = lxml.html.document_fromstring(data)
    ...(對網(wǎng)頁數(shù)據(jù)進行解析、提取、存儲等)
    time.sleep(random.randint(3, 5))

3.使用代理IP來規(guī)避反爬：同一個ip大量請求了對方服務(wù)器，有更大的可能性會被識別為爬蟲，ip就有可能被暫時被封。

根據(jù)代理ip的匿名程度，代理ip可以分為下面四類：

• 透明代理（Transparent Proxy）Transparent Proxy)：透明代理雖然可以直接“隱藏”你的IP地址，但是還是可以查到你是誰。

• 匿名代理（Anonymous Proxy）：匿名代理比透明代理進步了一點：別人只能知道你用了代理，無法知道你是誰。

• 混淆代理（Distorting Proxies）：與匿名代理相同，如果使用了混淆代理，別人還是能知道你在用代理，但是會得到一個假的IP地址，偽裝的更逼真

• 高匿代理（Elite proxy或High Anonymity Proxy）：可以看出來，高匿代理讓別人根本無法發(fā)現(xiàn)你是在用代理，所以是最好的選擇。<br>在使用的使用，毫無疑問使用高匿代理效果最好

下面我采用免費的高匿代理IP進行采集：

#代理IP： https://www.xicidaili.com/nn
import requests
proxies = {
"http": "http://117.30.113.248:9999",
"https": "https://120.83.120.157:9999"
}
r=requests.get("https://www.baidu.com", proxies=proxies)
r.raise_for_status()
r.encoding = 'utf-8-sig'
print(r.text)

感謝各位的閱讀，以上就是“python抖音爬蟲采集數(shù)據(jù)的方法是什么”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對python抖音爬蟲采集數(shù)據(jù)的方法是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！