[网络协议]爬虫 403 增加header和代理ip也没用？有可能是cloudflare在搞事情

当爬虫遇到了403，有可能的原因主要有：

1. 你的User-Agent暴露了你，解决方案，增加header

import requests
import cfscrape
from urllib import request
from urllib import parse
from http.cookiejar import CookieJar

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36"
}

target_url = "www.baidu.com"
resp = requests.get(target_url, headers=headers)
print(resp)
print(resp.status_code)
print(resp.text)

关于如何获取user-agent：

1. 自动获取：使用现成的库，https://github.com/hellysmile/fake-useragent

2.手动获取：打开你需要爬虫的网页，右键 检查， 刷新网页，network下随便点一个，在request headers中获取

2.你的爬虫太频繁了，ip被封了，使用代理ip

import requests
import cfscrape
from urllib import request
from urllib import parse
from http.cookiejar import CookieJar


target_url = "www.baidu.com"
proxyMeta = "http://host:port"
proxies = {

    "http": proxyMeta,
    "https": proxyMeta
}
resp = requests.get(target_url, proxies=proxies)
print(resp)
print(resp.status_code)
print(resp.text)

代理ip你可以买，当然也可以用一些免费的，参考：

GitHub - constverum/ProxyBroker: Proxy [Finder | Checker | Server]. HTTP(S) & SOCKS

3. 跳过cloudflare 验证

如果你把resp.text 的内容，用浏览器打开之后，显示了这个Please stand by, while we are checking your browser.就需要用这中方法解决

#pip install cloudscraper
import cloudscraper
scraper = cloudscraper.create_scraper()
ret = scraper.get(target_url)
print(ret)
print(ret.status_code)

reference : GitHub - VeNoMouS/cloudscraper: A Python module to bypass Cloudflare's anti-bot page.?GitHub - VeNoMouS/cloudscraper: A Python module to bypass Cloudflare's anti-bot page.