在用 scrapy 爬取天猫商品评价时，爬了几次后发现爬取不了了，在浏览器里打开需要输入验证码，怎么破？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 3119 天前的主题，其中的信息可能已经有所发展或是发生改变。

因为评价是动态生成的，所以我自己按照评价页面的链接的规律构造链接，然后进行访问，下载，解析，但是几次之后，就不行了，于是我将自己构造的链接输入浏览器，提示要输验证码。。。可能是被天猫发现了，那要怎么做才能不被发现？

验证码

链接

构造

天猫

27 条回复 • 2016-06-20 23:35:58 +08:00

wind3110991

2016-04-25 14:03:39 +08:00

你如果连续用同一个 ip 爬肯定要被 ban 掉吧

hiboshi

2016-04-25 14:07:02 +08:00

很明显被限制了，用 adsl vps 吧

9hills

2016-04-25 14:10:42 +08:00

用代理池爬，控制速度

dxwwym

2016-04-25 14:12:13 +08:00 via iPhone

每天数以百万的新评价，能评的过来？

pubby

2016-04-25 14:22:30 +08:00

降低访问频率！

1. 登录账号，每个账号用一个独立的代理 ip ，控制访问频率（大概 10 秒一次，出现验证码几率会降低）
2. 不登录账号，每个代理 ip 控制访问频率，需要很低频率才行，否则就不是验证码了而是直接让你登录，所以控制访问频率+切换 ip 吧。

sosozzzx

2016-04-25 15:19:17 +08:00

神箭手云爬虫开放开发者功能啦~
海量规则免费使用， 24 小时云端采集,
舆情监控即时更新，自动同步多个网站，
5 行代码创建专属于你的云爬虫！

odirus

2016-04-25 15:25:09 +08:00

selenium ，通过 chromedriver 连接 chrome 浏览器。

解析也面前，代码里面检测是否出现了验证码页面或者弹窗，出现的时候使用 sleep 函数，等待人肉输入验证码，验证码输入完成之后，程序再接着运行。阿里云再神也识别不出你来。

哈哈哈。之前在爬一个 google 验证吗的网站时就这么干的。

hadoop

2016-04-25 15:50:42 +08:00

@hiboshi adsl vps 可以 linux 命令行拨号，对外提供代理 api 接口吗

gimp

2016-04-25 15:54:12 +08:00

selenium + 人肉打码

azh7138m

2016-04-25 16:01:46 +08:00

@sosozzzx [神箭手平台服务协议] 这个没有啊，根本看不到这个

pubby

2016-04-25 16:28:05 +08:00

@hadoop 可以的

一般安装了 rp-pppoe ，没有的话自己装一下

pppoe-setup 设置一下账号密码

ifup ppp0 拨号

重拨换 ip 用

ifdown ppp0 && sleep 5 && ifup ppp0

这些 vps 是这样的：
给你一个管理 ip 和端口，然后 ssh -p <端口> root@管理 IP 连上去拨号

拨号后 ppp0 上会有动态 ip

然后开个 socks5 或者 http 代理 (可能需要处理一下 iptables 规则)

本地用的时候记得连那个动态 ip : 代理端口

hadoop

2016-04-25 16:47:00 +08:00

@pubby 老司机! 有推荐的商家推荐吗？首富家分不清哪个好哪个坏

fhefh

2016-04-25 16:52:55 +08:00

@odirus http://www.shenjianshou.cn/index.php?r=home/price 是这个不？

odirus

2016-04-25 17:05:34 +08:00

@fhefh 不是哒， at 错了吧？

selenium 人肉打码，任何验证码都可破，就是效率低。

billion

2016-04-25 17:05:35 +08:00

@odirus 我以前试过使用 selenium+angurjs ，爬一个页面要 2 分钟，太慢了。

odirus

2016-04-25 17:32:57 +08:00

@billion 嗯， selenium 主要是用于爬那些变态页面，例如新浪微博（大部分 JSONP ），某些采用 google 验证码的网站（既要鼠标点击又要选择里面的文字），好处是能够像普通浏览器一样渲染整个页面，还能通过 chromedriver, firefoxdriver 等连接器连接浏览器，做到一步步地可视化调试，调试完成后再换成 phantomjs 这种无界面浏览器部署在服务器上。

pubby

2016-04-25 17:38:30 +08:00 via Android

@odirus 淘宝登录时滑块验证能搞定吗？

odirus

2016-04-25 17:44:55 +08:00

@pubby 是这样的。如果通过连接器连接 chrome 、 firefox 的话，是自动打开一个干净的浏览器界面（没有 cookie 、历史纪录等等），你可以在程序里面检测是否有验证码，如果有则程序等待（这个时候可以手动操作浏览器的，你就可以拖动滑块了），通过验证码验证之后的后续的逻辑再让程序自动完成。

如果你爬慢一点，可以登录验证一次，自动执行很多天，过几天检测到验证码界面时自动发短信到手机上嘛。

pubby

2016-04-25 17:51:08 +08:00

@odirus 嗯，抓取频率高了还是比较麻烦，输验证码会比清 cookie 改 ua ，重新登录频繁。

如果要连续不间断高频次抓取，需要不停输验证码以及重新登录，搞得我都想做个简单 app 带身边随时人工操作介入了 -_-