翻车之旅,Python站长之家长尾关键词挖掘

关键词采集翻车之旅,站长之家反爬,会员登陆,vip购买限制,大概率是分享的代码过多,被大佬们爆菊次数太多,自从站长之家改版更新之后,割韭菜的力度加大,反爬力度也增多。

pic_001.png

所以就有了这次的翻车体验之旅,很久没写爬虫,翻车是必然。


反爬限制:

翻页到第六页,需要登陆

翻页到第十页,需要购买vip

使用网页cookies然并软,访问第六页,还是直接跳转到第一页数据!

使用session保持访问,访问第六页,还是直接跳转到第一页数据!

使用refer,访问第六页,还是直接跳转到第一页数据!

无法理解其具体的反爬机制,换浏览器测试访问发现连续翻页,到第六页,需要登陆才能正常访问。


附翻车完整参考源码:

#站长之家关键词挖掘 20201014
#author/微信:huguo00289
# -*- coding: utf-8 -*-

import requests,random,time
from lxml import etree
from urllib import parse

class Httprequest(object):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    @property  #把方法变成属性的装饰器
    def random_headers(self):
        cookies = cookies
        return {
            'User-Agent': random.choice(self.ua_list),
            'Cookie':cookies,
        }




class Getwords(Httprequest):
    def __init__(self):
        self.url="https://data.chinaz.com/keyword/allindex/"


    def get_num(self,keyword):
        key = parse.quote(keyword)
        url=f'{self.url}{key}'
        html = requests.get(url,headers=self.random_headers,timeout=5).content.decode("utf-8")
        time.sleep(2)
        req = etree.HTML(html)
        num=req.xpath('//span[@class="c-red"]/text()')[0]
        num=int(num)
        if num>0:
            print(f'>> {keyword} 存在 {num} 个长尾关键词!')
            if num<50:
                self.get_words(req)
            else:
                self.get_pagewords(num,key)


        else:
            print(f'>> {keyword} 不存在长尾关键词!')




    def get_words(self,req):
        words=req.xpath('//li[@class="col-220 nofoldtxt"]/a/@title')
        indexs=req.xpath('//li[@class="col-88"]/a/text()')
        for word,index in zip(words,indexs):
            data=word,index
            print(data)



    def get_pagewords(self,num,key):
        pagenum=int(num/50)
        for i in range(1,pagenum+1):
            if i<=10:
                print(f'>> 正在采集 第{i}页 长尾词数据..')
                url = f'{self.url}{key}/{i}'
                print(url)
                html = requests.get(url,headers=self.random_headers,timeout=5).content.decode("utf-8")
                time.sleep(2)
                req = etree.HTML(html)
                self.get_words(req)




if __name__ == '__main__':
    spider=Getwords()
    spider.get_num("培训")