一、问题发现

近期我在做代理池的时候，发现了一种以前没有见过的反爬虫机制。当我用常规的requests.get(url)方法对目标网页进行爬取时，其返回的状态码（status_code）为521，这是一种以前没有见过的状态码。再输出它的爬取内容（text），发现是一些js代码。看来是新问题，我们来探索一下。

状态码和爬取内容.png

二、原理分析

打开Fiddler，抓取访问网站的包，我们发现浏览器对于同一网页连续访问了两次，第一次的访问状态码为521，第二次为200（正常访问）。看来网页加了反爬虫机制，需要两次访问才可返回正常网页。

Fiddler抓包信息.png

下面我们来对比两次请求的区别：

521请求：

521请求.png

200请求：

200请求.png

通过对比两次请求头，我们发现第二次访问带了新的cookie值。再考虑上面程序对爬取结果的输出为js代码，可以考虑其操作过程为：第一次访问时服务器返回一段可动态生成cookie值的js代码；浏览器运行js代码生成cookie值，并带cookie重新进行访问；服务器被正常访问，返回页面信息，浏览器渲染加载。

三、解决流程

弄清楚浏览器的执行过程后，我们就可以模拟其行为通过python作网页爬取。操作步骤如下：

1. 用request.get(url)获取js代码

2. 通过正则表达式对代码进行解析，获得JS函数名,JS函数参数和JS函数主体，并将执行函数eval()语句修改为return语句返回cookie值

3. 调用execjs库的executeJS()功能执行js代码获得cookie值

4. 将cookie值转化为字典格式，用request.get(url, cookies = cookie)方法获取得到正确的网页信息

四、代码实现

实现程序所需要用到的库：

import re                  #实现正则表达式
import execjs              #执行js代码 import requests #爬取网页 

第一次爬取获得包含js函数的页面信息后，通过正则表达式对代码进行解析，获得JS函数名,JS函数参数和JS函数主体，并将执行函数eval()语句修改为return语句返回cookie值。

# js_html为获得的包含js函数的页面信息
# 提取js函数名
js_func_name = ''.join(re.findall(r'setTimeout\(\"(\D+)\(\d+\)\"', js_html)) ​ # 提取js函数参数 js_func_param = ''.join(re.findall(r'setTimeout\(\"\D+\((\d+)\)\"', js_html)) ​ # 提取js函数主体 js_func = ''.join(re.findall(r'(function .*?)</script>', js_html)) 

将执行函数eval()语句修改为return语句返回cookie值

# 修改js函数，返回cookie值
js_func = js_func.replace('eval("qo=eval;qo(po);")', 'return po')

调用execjs库的executeJS()功能执行js代码获得cookie值

# 执行js代码的函数，参数为js函数主体,js函数名和js函数参数
def executeJS(js_func, js_func_name, js_func_param): jscontext = execjs.compile(js_func) # 调用execjs.compile()加载js函数主体内容 func = jscontext.call(js_func_name,js_func_param) # 使用call()通过函数名和参数执行该函数 return func cookie_str = executeJS(js_func, js_func_name, js_func_param) 

将cookie值转化为字典格式

# 将cookie值解析为字典格式，方便后面调用
def parseCookie(string): string = string.replace("document.cookie='", "") clearance = string.split(';')[0] return {clearance.split('=')[0]: clearance.split('=')[1]} cookie = parseCookie(cookie_str) 

获得cookie后，采用带cookie的方式重新进行爬取，即可获得我们需要的网页信息了。