推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2723 天前的主题，其中的信息可能已经有所发展或是发生改变。
代理 IP 理论上是从网站申请的高匿代理，写的爬虫程序是判断某个 IP 被封了后换一个代理 IP 继续爬。
response=requests.get(url,proxies=proxy).text
但是之后发现爬久了之后返回的 response 是 403 的页面，不用代理 IP 也是 403，难道是发现了我自己主机的 IP 吗？（代理 IP 是可用的）
 |
1
abcbuzhiming 2017-06-10 16:12:37 +08:00
发现了你的行为是爬虫然后直接封你的代理 ip 而已，现在很多网站都有根据日志进行行为分析的能力，绝大部分人的写的爬虫行为都太机械，操作时间固定严格精确，稍微分析一下就明白操作者不是人类。
|
 |
2
prasanta 2017-06-10 16:22:52 +08:00  3
豆瓣一定很气，明明有接口，还是这么多人爬
|
 |
4
cnta OP @abcbuzhiming 但是我的代理 IP 换了也还是被封了，是可以认为使用的代理 IP 没有访问过豆瓣的网页的情况下也被 403 了
|
 |
6
ericFork 2017-06-10 16:57:15 +08:00
豆瓣好可怜，好多学爬虫的新手都拿豆瓣做练手对象
|
|
7
cnta OP @ericFork 我是学数据库原理做课设想采集点数据 orz 要求百万条数据左右（本来打算生成），觉得既然如此就采集点真正有意义的数据好玩些--
|
 |
8
kkx 2017-06-10 17:02:36 +08:00 via iPhone 1
user agent 都不加 --
|
|
9
cnta OP @kkx 明白了，确实没加 user agent。这里面会暴露出自己用 python 请求网站的信息。应该这里和原因有很大关系，谢谢。但是奇怪的是，如果是按照这个原因来防止爬虫的话，为啥不在开始的时候就 403 呢？而是在我爬取了大概 20 分钟后，对我所有的 ip 进行 403
|
|
10
kkx 2017-06-10 17:25:47 +08:00 via iPhone
@cnta 达到了豆瓣的规则的 limit 了吧 这种属于最基本的 一行代码的事 实时的 有的网站有很多高级的玩法 什么 beacon 啊 javascript 执行啊 路径历史判断啊 到最后只好开一个 selenium 完全拟人操作
|
 |
12
LeoEatle 2017-06-10 19:05:16 +08:00 via iPhone
豆瓣确实有接口，但是使用要求比较高，个人开发者现在是不开放的
|
 |
13
dsg001 2017-06-10 19:56:38 +08:00
90%以上的爬虫 demo 都是豆瓣
|
Select Language