网络抓取中的错误 403 和其他问题：为什么会出现这些问题以及如何避免？

产生原因

为什么服务器会阻止对数据的访问？在网页爬取过程中，403 错误通常是由于网站为了防止未经授权访问或资源滥用而启用的安全机制所导致的。下面我们将更详细地分析该错误的原因及其解决方法。

IP 地址限制：网站可能会限制特定 IP 的访问。如果同一个 IP 发出过多请求，服务器可能会将其封禁，以防止过载并抵御潜在攻击。
无头模式（Headless 模式）：在 Selenium 等自动化工具中使用无头浏览器也可能导致错误。一些网站能够识别请求来自 headless 浏览器（没有用户交互，例如点击或滚动页面）。这可能被视为自动化行为，从而触发风控机制。但如果确实需要该模式，可以将浏览器配置为模拟带图形界面的真实浏览器。
缺少必要的请求头和 cookies：某些网站需要特定 cookies 或会话信息才能访问内容。
不正确的 User-Agent：许多网站会检查 User-Agent 来识别浏览器和设备信息。如果不设置或设置错误，或者在大量请求中不进行变化，服务器可能会拒绝访问。

如何绕过网页爬取中的 403 错误

为了确保数据采集过程顺利进行，我们可以采用以下几种有效的方法来避免访问被封锁：

- 使用高质量代理服务器：定期更换 IP 地址可以有效避免封禁。重要的是使用可靠的代理，以避免被列入黑名单。

- 避免过于频繁的请求：降低请求频率并在请求之间添加延迟可以减少被封锁的风险。如果你使用 Python 编写爬虫，可以使用 time 库来设置延迟：

import time
time.sleep(5)  # 请求之间延迟 5 秒

- 模拟真实浏览器行为：例如在 Selenium 中可以这样实现：

from selenium import webdriver
options = webdriver.ChromeOptions()
# 如果需要图形界面，不要使用 --headless
options.add_argument("--headless")
# 模拟屏幕尺寸
options.add_argument("window-size=1920,1080")
# 该参数有助于隐藏自动化特征
options.add_argument("--disable-blink-features=AutomationControlled")
driver = webdriver.Chrome(options=options)
driver.get("https://example.com")

- 如果网站需要身份验证，正确保存和使用 cookies 非常重要。可以使用 requests 库传递 cookies：

import requests
session = requests.Session()
response = session.get('https://example.com')
# 在后续请求中使用 cookies
response2 = session.get('https://example.com/another-page')

- 设置正确的 User-Agent：使用真实的 User-Agent 有助于绕过封锁。最好使用常见浏览器（如 Chrome、Firefox）的 User-Agent：

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36"
}

- 也可以使用 Python 的 random 库进行 User-Agent 轮换。为此需要预先准备多个不同浏览器的 User-Agent 列表，并随机选择：

随机选择 User-Agent 的示例代码：

import random
import requests
user_agents = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.6533.122 Safari/537.3",
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Firefox/56.0 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/11.1.2 Safari/605.1.15",
]
random_user_agent = random.choice(user_agents)
headers = {
    "User-Agent": random_user_agent
}
response = requests.get("https://example.com", headers=headers)
print(f"状态码: {response.status_code}")
print(f"使用的 User-Agent: {random_user_agent}")

除了更换 User-Agent 外，该方法还可以结合代理池使用随机 IP、添加随机延迟以及轮换其他参数，以模拟不同用户和设备的行为。

在网页抓取中还有哪些困难？

除了 403 错误之外，爬虫还经常会遇到其他错误：

401 Unauthorized：在没有登录凭据的情况下访问被拒绝。解决方案——使用用户名和密码进行身份验证。
500 Internal Server Error：服务器端的问题。解决方案——稍后重试或联系管理员。
429 Too Many Requests：请求过于频繁。解决方案——降低请求频率，使用代理。
复杂的 HTML 结构：在网页抓取过程中，可能会遇到被混淆的 HTML 代码，其中类名、标识符以及其他元素可能是不可读或动态生成的名称。解决方案——使用稳定的 XPath 或 CSS 选择器，通过文本内容查找元素，并使用专门的库（例如 lxml）进行 HTML 解析和处理。在复杂情况下，还可以使用 TensorFlow 或 PyTorch 构建机器学习模型，用于识别模式并基于大量数据对混淆元素进行分类。理解网站如何混淆数据非常重要，以便相应调整抓取策略。

另一个常见的障碍是验证码（CAPTCHA），这是一种网站安全机制，通常由于类似原因而出现。但无需担心，有许多服务可以帮助有效绕过这些限制，其中最好的之一是 CapMonster Cloud。这个方便的云工具提供 API，用于自动解决验证码，从而大大简化工作。下面是在 Python 爬虫代码中集成 CapMonster Cloud 的步骤：

注册并获取 API 密钥。要使用 CapMonster Cloud，您需要在平台上注册并获取用于 API 请求认证的密钥。
安装必要的库。 CapMonster Cloud 提供不同语言的官方库。我们来看 Python 官方库的安装方式：

pip install capmonstercloudclient

使用该库可以轻松创建任务、发送到服务器并获取结果：

# https://github.com/CapMonsterCloud/capmonstercloud-client-python

import asyncio
from capmonstercloudclient import CapMonsterClient, ClientOptions
from capmonstercloudclient.requests import RecaptchaV2Request
# from capmonstercloudclient.requests.baseRequestWithProxy import ProxyInfo  # 如果计划使用代理，请取消注释

API_KEY = "YOUR_API_KEY"  # 输入您的 CapMonster Cloud API 密钥

async def solve_recaptcha_v2():
    client_options = ClientOptions(api_key=API_KEY)
    cap_monster_client = CapMonsterClient(options=client_options)

    # 基本示例，无需代理
    # CapMonster Cloud 会自动使用它们的代理
    recaptcha2_request = RecaptchaV2Request(
        websiteUrl="https://lessons.zennolab.com/captchas/recaptcha/v2_simple.php?level=high",
        websiteKey="6Lcg7CMUAAAAANphynKgn9YAgA4tQ2KI_iqRyTwd"
    )

    # 使用您自己的代理的示例
    # 如果想使用自己的代理，请取消注释以下代码块

    # proxy = ProxyInfo(
    #     proxyType="http",
    #     proxyAddress="123.45.67.89",
    #     proxyPort=8080,
    #     proxyLogin="username",
    #     proxyPassword="password"
    # )

    # recaptcha2_request = RecaptchaV2Request(
    #     websiteUrl="https://lessons.zennolab.com/captchas/recaptcha/v2_simple.php?level=high",
    #     websiteKey="6Lcg7CMUAAAAANphynKgn9YAgA4tQ2KI_iqRyTwd",
    #     proxy=proxy,
    #     userAgent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/147.0.0.0 Safari/537.36"
    # )

    # 如有必要，可以检查余额
    balance = await cap_monster_client.get_balance()
    print("Balance:", balance)

    result = await cap_monster_client.solve_captcha(recaptcha2_request)
    print("Solution:", result)

asyncio.run(solve_recaptcha_v2())