经常写爬虫的同学,肯定知道 Cloud Flare 的五秒盾。当你没有使用正常的浏览器访问网站的时候,它会返回如下这段文字:
- Checking your browser before accessing xxx.
- This process is automatic. Your browser will redirect to your requested content shortly.
- Please allow up to 5 seconds…
即使你把 Headers 带完整,使用代理 IP,也会被它发现。我们来看一个例子。Mountain View Whisman students sent home after children test positive for COVID-19 [1] 这篇文章,使用正常浏览器访问,效果如下图所示:
直接查看原始的网页源代码,可以看到,新闻标题和正文就在源代码里面,说明新闻的标题和正文都是后端渲染的,不是异步加载。如下图所示:
现在,我们使用 requests,带上完整的请求头来访问这个网站,效果如下图所示:
网站识别到了爬虫行为,成功把爬虫请求挡住了。很多同学在这个时候就已经束手无策了。因为这是爬虫的第一次请求就被挡住了,所以网站不是检测的 IP 或者访问频率,所以即使用代理 IP 也无济于事。而现在即使带上了完整的请求头都能被发现,那还有什么办法绕过这个检测呢?
实际上,要绕过这个5秒盾非常简单,只需要使用一个第三方库,叫做cloudscraper。我们可以使用pip来安装:
- python3 -m pip install cloudscraper
安装完成以后,只需要使用3行代码就能绕过 Cloud Flare 的5秒盾:
- import cloudscraper
- scraper = cloudscraper.create_scraper()
- resp = scraper.get('目标网站').text
我们还是以上面的网站为例:
- import cloudscraper
- from lxml.html import fromstring
- scraper = cloudscraper.create_scraper()
- resp = scraper.get('https://mv-voice.com/news/2021/05/04/mountain-view-whisman-students-sent-home-after-children-test-positive-for-covid-19').text
- selector = fromstring(resp)
- title = selector.xpath('//h1/text()')[0]
- print(title)
运行效果如下图所示:
破盾成功。
CloudScraper[2] 非常强大,它可以突破 Cloud Flare 免费版各个版本的五秒盾。而且它的接口和 requests 保持一致。原来用 requests 怎么写代码,现在只需要把requests.xxx改成scraper.xxx就可以了。
参考资料
[1]Mountain View Whisman students sent home after children test positive for COVID-19 : https://mv-voice.com/news/2021/05/04/mountain-view-whisman-students-sent-home-after-children-test-positive-for-covid-19
[2]CloudScraper: https://github.com/venomous/cloudscraper
本文转载自微信公众号「未闻Code」,可以通过以下二维码关注。转载本文请联系未闻Code公众号。