python爬虫 - 爬虫之针对http2.0的某网站爬取 - 修复版

题外话

说明一下为什么叫修复版,我之前发了这篇文章,发现只有我自己能看:

 

这是我自己打开的我的博客首页:

 

 

 

点进去:

 

 

 

 

这是我换了个浏览器之后打开的:

 

 换了个浏览器,点进去:

 

 

 

 

 

很奇怪了,所以我就复制内容重新编辑了一份发布了,不去纠结了。

 

 

 

前言

需要网站的,私信我(不玩套路那种)

 

 

 

分析

 

首先打开这个网站,看到由cloudflare,心里戈登一下,不慌,接着看

 

 

 找到接口,查看返回数据

 

 

 

 

拿到数据接口单独请求会出现如下:

 

 

发现果然有cloundflare检测

 

 

用火狐浏览器打开

 

然后用重放请求功能看看,正常请求

 

 

 

而且能正常拿数据

 

 

 

 那我用postman测试:

 

 

 

 

 

很奇怪的不行

 

 

用代码测试

 也不行

 

 

 

有朋友说,哎,你这不是有返回数据吗,仔细看哈,状态码时403,那说明返回的也多半不是真实数据,我知道有些确实用403状态来伪造,其实返回的也是真实数据,但是这种事极少数的情况,而前面我们已经用浏览器测试了,确实是200才会返回真实数据

 

你这不觉得很奇怪吗?浏览器正常请求,然后postman和代码就是不行,而它请求参数里又没有什么奇怪的参数,也是get请求,都是很简单的东西 

 

找到关键点

 

 这个咋整呢?

 

我们再回去一步一步看看,找到个关键的东西:

 

 

 

 

 http2.0啥东西呢?

 

可以看看下面两个文字参考链接:

 

https://mp.weixin.qq.com/s/dFxyRYmqm5if8k-S1MjFJw

https://tding.top/archives/9bd92731.html

 

如果你觉得浪费时间的话,可以看我下面说的,精简过的:

 

1. 现在很多爬虫库其实对 HTTP/2.0 支持得不好,比如大名鼎鼎的 Python 库 —— requests,到现在为止还只支持 HTTP/1.1,啥时候支持 HTTP/2.0 还不知道。

2.Scrapy 框架最新版本 2.5.0(2021.04.06 发布)加入了对 HTTP/2.0 的支持,但是官网明确提示,现在是实验性的功能,不推荐用到生产环境

 

 

插一句,Scrapy 中怎么支持 HTTP/2.0 呢?在 settings.py 里面换一下 Download Handlers 即可:

DOWNLOAD_HANDLERS = {
    'https': 'scrapy.core.downloader.handlers.http2.H2DownloadHandler',
}

当前 Scrapy 的 HTTP/2.0 实现的已知限制包括:

  • 不支持 HTTP/2.0 明文(h2c),因为没有主流浏览器支持未加密的 HTTP/2.0。
  • 没有用于指定最大帧大小大于默认值 16384 的设置,发送更大帧的服务器的连接将失败。
  • 不支持服务器推送。
  • 不支持bytes_received和 headers_received信号。

关于其他的一些库,也不必多说了,对 HTTP/2.0 的支持也不好,目前对 HTTP/2.0 支持得还可以的有 hyper 和 httpx,后者更加简单易用一些

 

nginx也可以配置http2.0的:

if ($server_protocol !~* "HTTP/2.0") {
return 444;
}

 

 

3.目前在python中,支持http2.0的:

  • Hyper
  • Httpx

 

hyper的话,不是很适用,因为很多功能跟requests库没法类比,所以这里选用httpx

 

前提需要安装:

pip install httpx[http2]    # 这样写才能装上支持http2的httpx,不写的话默认是不支持http2的

 

 

 

使用httpx:

 

配置好后使用,正常拿数据,记得要加http=True的属性

 

 

 

关于httpx使用socks协议代理问题:

 

 

 

 

https://pypi.org/project/httpx-socks/

 

装完httpx-scoks库之后就支持socks协议的代理了,然后正常拿到数据

 

 

 20210603更新

 
太6了,这网站又改了,改成了http3.0的协议了
 
火狐查看:
 

 

 

 

 

谷歌查看:

 

 

 顺便一说,谷歌的话,需要右键任意一个请求,然后勾选上如下的protocol才会显示协议版本,不然默认是不会显示的

 

 

 

 

 不过,我试了,用httpx暂时还是可以拿到数据,也就是上面的那套代码

 
posted @ 2021-05-22 11:53  Eeyhan  阅读(1761)  评论(2编辑  收藏  举报