如何在不被阻止的情况下抓取网站？

Question

我经常以一个小时内数百个请求的速度爬网网站。

1. 如何使爬行者的行为更像人类？
2. 如何不被检测机器人抢走？

当前使用硒，铬的网站。

请提出建议。

Answer 1

网站可以通过多种方式检测到您试图对其进行爬网。最简单的可能是IP。如果从同一IP发出请求的速度过快，则可能会被阻止。您可以在脚本中引入（随机）延迟，以使其变慢。

要继续快速运行，您将不得不使用其他IP地址。您可以使用许多代理和VPN服务来完成此任务。

Answer 2

好吧，您将不得不在循环之间暂停脚本。

import time
time.sleep(1)
time.sleep(N)

因此，假设它可以像这样工作。

import json,urllib.request
import requests
import pandas as pd
from string import ascii_lowercase
import time

alldata = []
for c in ascii_lowercase:
    response = requests.get('https://reservia.viarail.ca/GetStations.aspx?q=' + c)
    json_data = response.text.encode('utf-8', 'ignore') 
    df = pd.DataFrame(json.loads(json_data), columns=['sc', 'sn', 'pv'])  # etc., 
    time.sleep(3)
    alldata.append(df)

或者，寻找一个API来从目标URL中获取数据。您没有发布实际的URL，因此无法确定是否公开了API。