时间戳

首页 > 解决方案 > python请求和beautifulsoup bot检测

python - python请求和beautifulsoup bot检测

问题描述

我正在尝试使用 requests & beautifulsoup 抓取页面的所有 HTML 元素。我正在使用 ASIN（亚马逊标准识别号）来获取页面的产品详细信息。我的代码如下：

from urllib.request import urlopen
import requests
from bs4 import BeautifulSoup

url = "http://www.amazon.com/dp/" + 'B004CNH98C'
response = urlopen(url)
soup = BeautifulSoup(response, "html.parser")
print(soup)

但是输出没有显示页面的整个 HTML，所以我不能对产品详细信息做进一步的工作。对此有什么帮助吗？

编辑1：

从给定的答案中，它显示了机器人检测页面的标记。我研究了一下，发现了两种破坏它的方法：

  1. 我可能需要在请求中添加一个标头，但我不明白标头的值应该是什么。
  2. 使用硒。现在我的问题是，这两种方式都提供平等的支持吗？

标签： pythonhtmlweb-scrapingbeautifulsouppython-requests

解决方案

最好在这里使用 fake_useragent 来简化操作。随机用户代理通过真实世界的浏览器使用统计数据发送请求。如果您不需要动态内容，您最好只通过 HTTP 请求页面内容并以编程方式对其进行解析。

import requests
from fake_useragent import UserAgent
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36'}
ua=UserAgent()
hdr = {'User-Agent': ua.random,
      'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
      'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
      'Accept-Encoding': 'none',
      'Accept-Language': 'en-US,en;q=0.8',
      'Connection': 'keep-alive'}
url = "http://www.amazon.com/dp/" + 'B004CNH98C'
response = requests.get(url, headers=hdr)
print response.content

Selenium 用于浏览器自动化和动态内容的高级网页抓取。

推荐阅读