python爬虫 - 爬虫之针对http2.0的某网站爬取 - 修复版

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

 

 

 

   

标签：HTTP,python,爬虫,支持,爬取,https,2.0,httpx,http2.0
来源： https://www.cnblogs.com/Eeyhan/p/14798499.html