我有一个用于个人使用的脚本,它可以收集一些网站上的信息,直到最近它工作得还不错,但似乎其中一个网站增强了它的安全性,我再也无法访问它的内容。
我使用python处理请求并美化组来收集数据,但是当我试图用请求获取网站的内容时,我遇到了以下情况:
'<html><head><META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW"></head><iframe src="/_Incapsula_Resource?CWUDNSAI=9_4E402615&incident_id=133000790078576866-343390778581910775&edet=12&cinfo=4bb304cac75381e904000000" frameborder=0 width="100%" height="100%" marginheight="0px" marginwidth="0px">Request unsuccessful. Incapsula incident ID: 133000790078576866-343390778581910775</iframe></html>'
我做了一些研究,看起来这就是阻止我的原因:http://www.robotstxt.org/meta.html
有什么方法可以让网站相信我不是一个恶意机器人吗?这是一个脚本,我每天在一个源代码位上运行~1次,所以我对他们的服务器没有任何负担。只是一个有脚本让事情变得简单的人:)
编辑:尝试切换到mechanize并忽略robots.txt,但没有收到403禁止的响应。我想他们已经改变了刮擦的立场,还没有更新TOS。到了计划B的时候了,除非有人有其他想法,否则不要再使用这个网站。
最有可能发生的是服务器正在检查机器人使用的
user-agent
并拒绝访问默认的user-agent
。例如
requests
将user-agent
设置为类似python-requests/2.9.1
的值你可以自己指定标题。
相关问题 更多 >
编程相关推荐