网络爬虫请求头中的Referer和User-Agent与代理IP的配合使用

在进行网络爬虫开发时，我们经常需要模拟浏览器发送请求来获取网页数据。然而，有些网站为了保护自身的安全和隐私，会对请求进行限制和过滤。为了绕过这些限制，我们可以使用代理IP来隐藏真实的请求来源。但是，仅仅使用代理IP可能不足以达到我们的目的，因为一些网站会根据请求头中的Referer和User-Agent信息来判断请求的合法性。因此，本文将探讨网络爬虫请求头中的Referer和User-Agent与代理IP的配合使用的技巧和注意事项。

Referer的作用： Referer是HTTP请求头中的一个字段，用于指示请求的来源页面。一些网站会根据Referer来判断请求的合法性，如果Referer为空或者不符合预期的值，可能会拒绝请求或返回错误的数据。
User-Agent的作用： User-Agent也是HTTP请求头中的一个字段，用于标识发送请求的客户端信息，通常是浏览器的名称和版本号。

常见格式： User-Agent的格式通常为"产品名称/产品版本号"，例如：

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36
Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.192 Safari/537.36

在实际开发中，我们可能会遇到一些问题，例如请求被拒绝、返回错误的数据等。这些问题可能与请求头中的Referer和User-Agent有关。为了解决这些问题，我们可以按照以下步骤进行问题排查：

检查请求头中的Referer和User-Agent是否正确设置：使用浏览器访问目标网站，查看浏览器的请求头信息，确保Referer和User-Agent与浏览器请求一致。

ini 复制代码

import requests

headers = {
    'Referer': 'https://www.example.com'
}

response = requests.get('https://www.target-website.com', headers=headers)

检查代理IP是否正常工作：使用代理IP发送请求，查看返回的数据是否正确。如果返回的数据与预期不符，可能是代理IP被网站识别并拒绝了请求。

python 复制代码

import requests

# 通过亿牛云爬虫代理来测试
proxyHost = 't.16yun.cn'
proxyPort = 30001

# 设置请求头
headers = {
    'Referer': 'https://www.example.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36'
}

# 设置代理
proxies = {
    'http': f'http://{proxyHost}:{proxyPort}',
    'https': f'https://{proxyHost}:{proxyPort}'
}

# 发送请求
response = requests.get('https://www.example.com', headers=headers, proxies=proxies)

# 处理响应
print(response.text)

检查Referer和User-Agent的值是否被网站限制：有些网站会对Referer和User-Agent的值进行限制，例如只接受特定的Referer或User-Agent。如果您的请求被拒绝或返回错误的数据，因为可能是您设置的Referer或User-代理不符合网站要求。

python 复制代码

import requests

# 设置请求头
headers = {
    'Referer': 'https://www.example.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182'
}

# 发送请求
response = requests.get('https://www.target-website.com', headers=headers)

# 处理响应
print(response.text)