Selenium Webdriver / Beautifulsoup + 网页抓取 + 错误 416

Question

我在 Python 和 Proxy 中使用 selenium webdriver 进行网络抓取。

我想使用此抓取浏览超过 10k 页的单个站点。

问题正在使用此代理我只能发送一次请求。当我在同一个 link 或本网站的另一个 link 上发送另一个请求时，我收到 416 错误（使用防火墙阻止 IP 的一种）持续 1-2 小时。

注意：我可以使用此代码抓取所有正常站点，但此站点具有某种安全性，无法抓取。

这是代码。

profile = webdriver.FirefoxProfile()
profile.set_preference("network.proxy.type", 1)
profile.set_preference(
                "network.proxy.http", "74.73.148.42")
profile.set_preference("network.proxy.http_port", 3128)
profile.update_preferences()
browser = webdriver.Firefox(firefox_profile=profile)
browser.get('http://www.example.com/')
time.sleep(5)
element = browser.find_elements_by_css_selector(
                '.well-sm:not(.mbn) .row .col-md-4 ul .fs-small a')
for ele in element:
    print ele.get_attribute('href')
browser.quit()

有什么解决办法吗？？

Answer 1

查看以下链接中的 416 错误问题，似乎是某些缓存信息（可能是 cookie）造成了问题。您可以第一次发送请求，但后续发送请求失败。

https://webmasters.stackexchange.com/questions/17300/what-are-the-causes-of-a-416-error 416 Requested Range Not Satisfiable

尝试通过设置首选项或在每次发送请求后删除 cookie 来选择不保存 cookie。

profile.set_preference("network.cookie.cookieBehavior", 2);

Answer 2

Selenium 对我没有帮助，所以我通过在服务器阻塞请求代理时使用 beautifulsoup, the website has used security to block proxy whenever received request, so I am continuously changing proxyurl and User-Agent 解决了这个问题。

我在此处粘贴我的代码

from bs4 import BeautifulSoup
import requests
import urllib2

url = 'http://terriblewebsite.com/'

proxy = urllib2.ProxyHandler({'http': '130.0.89.75:8080'})

# Create an URL opener utilizing proxy
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
request = urllib2.Request(url)
request.add_header('User-Agent', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.2.15) Gecko/20110303 Firefox/3.6.15')
result = urllib2.urlopen(request)
data = result.read()
soup = BeautifulSoup(data, 'html.parser')
ptag = soup.find('p', {'class', 'text-primary'}).text
print ptag

注：

更改代理和用户代理并仅使用最新更新的代理
很少有服务器只接受特定国家的代理，在我的例子中，我使用了来自美国的代理

这个过程可能会很慢，你仍然可以废弃数据

Selenium Webdriver / Beautifulsoup + 网页抓取 + 错误 416

Selenium Webdriver / Beautifulsoup + Web Scraping + Error 416

python

beautifulsoup

scrapy

web-scraping

selenium-webdriver