更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】pyautogui出现“SyntaxError: 'return' with argument inside generator”异常(如图所示)的解决:卸载pyscreeze,安装pyscreeze 0.1.19版本即可。

    sudo pip uninstall pyscreeze   
    sudo pip install pyscreeze==0.1.19 ​​​​
    发布时间:2019-03-27 11:51:05
  • 【经验分享】使用 Chrome DevTools Protocol 协议,在Network.responseReceived时调用Network.getResponseBody获取应答正文有时会出现“No resource with given identifier”异常,是什么原因?
    解答:当浏览器接收到HTTP应答头之后Network.responseReceived被调用,但此时HTTP应答正文(ResponseBody)可能还没到位,应当在Network.loadingFinished时再调用Network.getResponseBody。
    发布时间:2019-03-25 16:42:04
  • 【经验分享】使用Fiddler时如何屏蔽Chrome的证书警告:"Your connection is not private"/"您的连接不是私密连接"(如图1所示)?
    启动chrome的时候加上--ignore-certificate-errors命令行参数(如图2所示)即可。
    测试效果如图3所示。 ​​​​
    发布时间:2019-03-21 17:30:46
  • 【经验分享】Ubuntu server下google-chrome启动出现"[5430:5430:0321/124708.367027:ERROR:browser_dm_token_storage_linux.cc(101)] Error: /etc/machine-id contains 0 characters (32 were expected)."问题的解决:

    sudo cp /var/lib/dbus/machine-id /etc/machine-id

    参考:https://unix.stackexchange.com/questions/477180/error-etc-machine-id-contains-32-characters-32-were-expected ​​​​
    发布时间:2019-03-21 12:57:06
  • 【经验分享】requests库使用py2exe打包之后出现"Could not find a suitable TLS CA certificate bundle"问题的解决:
    原因是打包之后按默认路径无法找到cacert.pem文件。将cacert.pem复制到exe同目录下,然后在程序里设置REQUESTS_CA_BUNDLE环境变量,如下:
    os.environ['REQUESTS_CA_BUNDLE'] =  os.path.join(os.path.dirname(sys.argv[0]), 'cacert.pem')
    重新打包,问题消失。

    参考:https://stackoverflow.com/questions/10667960/python-requests-throwing-sslerror
    发布时间:2019-03-20 13:11:35
  • 【经验分享】Ubuntu上添加可信任根证书
    1. 如果是pem格式的根证书,先重命名为 .crt格式,例如( mitmproxy-ca-cert.crt)。
    2. sudo cp  mitmproxy-ca-cert.crt  /usr/local/share/ca-certificates。
    3. sudo update-ca-certificates

    update-ca-certificates命令将PEM格式的根证书内容附加到/etc/ssl/certs/ca-certificates.crt ,而/etc/ssl/certs/ca-certificates.crt 包含了系统自带的各种可信根证书.
    发布时间:2019-03-18 11:03:48
  • 【经验分享】Python urllib2连接HTTPS网站出现“SSL routines:SSL23_GET_SERVER_HELLO:sslv3 alert handshake failure”问题(如图1所示)的解决。从这里github.com/pytorch/pytorch/issues/3193得知,Python2.7.9之前的版本连接某些HTTPS网站会有这个问题,之后的版本没有问题。于是测了下别的服务器上的Python2.7.12版本,果然没有问题(如图2所示)。

    似乎也是跟SNI有关,去年我们曾写过一篇文章《SNI导致Python 2.7建立TLS连接出现104错误问题的解决》 ,也是升级到最新版本的Python之后问题解决,详细过程见这里 :http://t.cn/EZSeTBn

    附:测试连接 https://jobs.51job.com/beijing-hdq/111488127.html?s=01&t=0
    发布时间:2019-03-14 15:41:19
  • 【经验分享】远程GeckoDriver的使用 - 鲲之鹏的技术人员在本文向您介绍如何远程使用GeckoDriver调用多台服务器上的Firefox浏览器进行数据抓取。  >>> http://www.site-digger.com/html/articles/20190313/716.html ​​​​
    发布时间:2019-03-14 15:26:50
  • 【经验分享】PDF表格抽取Python库 Camelot - https://github.com/socialcopsdev/camelot
    Camelot is a Python library that makes it easy for anyone to extract tables from PDF files!

    依赖的库有点多,不过效果超赞!

    实测效果:
    图1为PDF原始文件截图;
    图2为抽取为CSV后截图; ​​​​
    发布时间:2019-02-20 12:00:43
  • 【经验分享】“永辉生活微信小程序”不响应KEYCODE_PAGE_UP(92) 怎么破?
    测试发现可以响应KEYCODE_DPAD_DOWN(20),不过KEYCODE_DPAD_DOWN一次只能滚动很小的幅度。怎么提升效率? 一次发送多个CODE即可。
    例如,一次发送10个KEYCODE_DPAD_DOWN操作:
    adb shell input keyevent 20 20 20 20 20 20 20 20 20 20
    发布时间:2019-02-15 19:14:57
当前位置: 首页 > 技术文章 >
"Selenium + Firefox"HTTP代理自动认证方法二
发布时间:2019-01-15 来源:未知 浏览:

       去年我们曾介绍过借助close-proxy-authentication插件,实现Firefox下HTTP代理自动认证的方案(详见http://www.site-digger.com/html/articles/20180822/662.html),本文再介绍另外一种思路。

       熟悉Http Proxy Basic Authentication的同学应该知道,代理服务器软件(例如Squid)是通过检测Proxy-Authorization头的值来判断当前用户是否有访问权限的。如果没有该头或者值不正确,HTTP服务器通常会返回407状态码。

       因此,只要我们能够给每个HTTP请求都自动加上正确的Proxy-Authorization头,那么就实现了自动代理认证,浏览器内不会再弹出授权验证窗口。

       要实现这个功能,我们可以借助Modify Headers这个火狐插件(http://www.garethhunt.com/modifyheaders/help/?v=0.7.1.1,后附下载链接),通过这个插件我们可以给任意HTTP请求加上自定义的Header。

       下面代码是Selenium + Firefox + Modify Headers 测试代码:

# coding: utf-8
# selenium_firefox_proxy_auto_auth_method2.py
# 借助Modify Headers插件实现火狐浏览器下的HTTP代理Basic认证
# 测试环境:Selenium 3.8.0 + geckodriver 0.18.0 + Firefox V56.0

import time
import re
from base64 import b64encode
from selenium import webdriver

# Modify Headers插件 - 用以HTTP代理Basic认证
# http://www.garethhunt.com/modifyheaders/help/?v=0.7.1.1
MODIFY_HEADERS_EXTENSION = 'modify_headers-0.7.1.1-fx.xpi'

def get_firefox(proxy):
    fp = webdriver.FirefoxProfile()
    m = re.compile('([^:]+):([^\@]+)\@([\d\.]+):(\d+)').search(proxy)  
    if m:
        print 'Set proxy into {}'.format(proxy)
        # 提取代理的各项参数  
        proxy_username = m.groups()[0]  
        proxy_password = m.groups()[1]  
        proxy_host = m.groups()[2]  
        proxy_port = int(m.groups()[3])
        # 设置代理参数
        fp.set_preference('network.proxy.type', 1)
        fp.set_preference('network.proxy.http', proxy_host)
        fp.set_preference('network.proxy.http_port', proxy_port)
        fp.set_preference('network.proxy.ssl', proxy_host)
        fp.set_preference('network.proxy.ssl_port', proxy_port)
        credentials = '{}:{}'.format(proxy_username, proxy_password)
        credentials = b64encode(credentials)
        # 添加Modify Headers插
        fp.add_extension(MODIFY_HEADERS_EXTENSION)
        fp.set_preference('modifyheaders.config.active', True)
        fp.set_preference('modifyheaders.headers.count', 1)
        # 添加Proxy-Authorization头
        fp.set_preference('modifyheaders.headers.action0', 'Add')
        fp.set_preference('modifyheaders.headers.name0', 'Proxy-Authorization')
        fp.set_preference("modifyheaders.headers.value0", 'Basic {}'.format(credentials))
        fp.set_preference('modifyheaders.headers.enabled0', True)                     
    firefox = webdriver.Firefox(firefox_profile=fp)
    return firefox

def test():
    firefox = get_firefox(proxy='test:kzp2016@59.55.102.216:8888')
    # 访问http://httpbin.org/ip回显当前IP
    firefox.get('https://httpbin.org/ip')
    time.sleep(1000)
    
if __name__ == '__main__':
    test()

    运行截图如下所示:

    附modify_headers-0.7.1.1-fx.xpi下载地址:http://pan.webscraping.cn:8000/index.php/s/qpSdIZqjtF2e09t

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。

加微信咨询