从python调用url时获取'错误'页面源代码

Question

尝试从网站检索页面源,我得到的文本与通过Web浏览器查看相同页面源时完全不同(和更短).

/sf/ask/1719452101/

这个家伙有一个相关的问题,但获得了主页来源而不是请求的 - 我得到的东西完全是外星人.

代码是:

from urllib import request

def get_page_source(n):
    url = 'https://www.whoscored.com/Matches/' + str(n) + '/live'
    response = request.urlopen(url)
    return str(response.read())

n = 1006233
text = get_page_source(n)

这是我在此示例中定位的页面:https: //www.whoscored.com/Matches/1006233/live

有问题的网址包含页面源中的丰富信息,但在运行上述代码时,我最终只得到以下信息:

text =

b'<html style="height:100%"><head><META NAME="ROBOTS" CONTENT="NOINDEX,
NOFOLLOW"><meta name="format-detection" content="telephone=no"><meta 
name="viewport" content="initial-scale=1.0"><meta http-equiv="X-
UA-Compatible" content="IE=edge,chrome=1"></head><body style="margin:0px;
height:100%"><iframe src="/_Incapsula_Resource?CWUDNSAI=24&
xinfo=0-12919260-0 0NNY RT(1462118673272 111) q(0 -1 -1 -1) r(0 -1) 
B12(4,315,0) U2&incident_id=276000100045095595-100029307305590944&edet=12&
cinfo=04000000" frameborder=0 width="100%" height="100%" marginheight="0px" 
marginwidth="0px">Request unsuccessful. Incapsula incident ID: 
276000100045095595-100029307305590944</iframe></body></html>'

这里出了什么问题？服务器是否可以检测到机器人,即使它没有发送重复请求 - 如果是,如何 - 并且有办法吗？

Answer 1

这里有几个问题.根本原因是你试图抓住的网站知道你不是一个真实的人并且阻止你.许多网站通过检查标题来查看请求是否来自浏览器(机器人),从而实现此目的.但是,这个网站看起来像是使用Incapsula,它旨在提供更复杂的保护.您可以尝试以不同的方式设置您的请求,通过设置标题来欺骗页面上的安全性 - 但我怀疑这会起作用.

import requests

def get_page_source(n):
    url = 'https://www.whoscored.com/Matches/' + str(n) + '/live'
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36'}
    response = requests.get(url, headers=headers)
    return response.text

n = 1006233
text = get_page_source(n)
print text

看起来该网站也使用验证码 - 旨在防止网页抓取.如果一个网站正在努力防止抓取 - 可能是因为他们提供的数据是专有的.我建议找另一个提供此数据的网站 - 或尝试使用官方API.

不久前看看这个(/sf/answers/1243898001/)的答案.看起来whoscored.com使用OPTA API来提供信息.您可以跳过中间人并直接进入数据源.祝好运!