Selenium Webdriver / Beautifulsoup +Webdriver+ Error 416

Question

我正在使用代理在Python中使用selenium进行web抓取。

我想浏览超过10k页的单一网站使用这个刮刮。

问题正在使用这个代理，我只能一次性发送请求。当我在同一个链接或这个站点的另一个链接上发送另一个请求时，我得到416个错误(有点像使用防火墙的IP块)，时间为1-2小时。

注意：我可以用这个代码来抓取所有的普通站点，但是这个站点有某种安全性，这阻止了我的抓取。

这是密码。

profile = webdriver.FirefoxProfile()
profile.set_preference("network.proxy.type", 1)
profile.set_preference(
                "network.proxy.http", "74.73.148.42")
profile.set_preference("network.proxy.http_port", 3128)
profile.update_preferences()
browser = webdriver.Firefox(firefox_profile=profile)
browser.get('http://www.example.com/')
time.sleep(5)
element = browser.find_elements_by_css_selector(
                '.well-sm:not(.mbn) .row .col-md-4 ul .fs-small a')
for ele in element:
    print ele.get_attribute('href')
browser.quit()

有什么解决办法吗？

Answer 1

Selenium对我没有帮助，所以我用美汤解决了这个问题，网站在收到请求时就使用安全性来阻止代理，所以每当服务器阻塞请求代理时，我就会不断地更改丙羟和用户代理。

我在这里粘贴我的代码

from bs4 import BeautifulSoup
import requests
import urllib2

url = 'http://terriblewebsite.com/'

proxy = urllib2.ProxyHandler({'http': '130.0.89.75:8080'})

# Create an URL opener utilizing proxy
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
request = urllib2.Request(url)
request.add_header('User-Agent', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.2.15) Gecko/20110303 Firefox/3.6.15')
result = urllib2.urlopen(request)
data = result.read()
soup = BeautifulSoup(data, 'html.parser')
ptag = soup.find('p', {'class', 'text-primary'}).text
print ptag

注:

1. 更改代理和用户代理，并仅使用最新更新的代理。
2. 很少有服务器只接受特定的国家代理，在我的例子中，我使用了来自美国的代理

这个过程可能很慢，但你还是可以把数据报废。

Answer 2

通过以下链接中的416个错误问题，似乎有些缓存的信息(可能是cookie)正在创建这些问题。您可以第一次发送请求，而随后的发送请求将失败。

https://webmasters.stackexchange.com/questions/17300/what-are-the-causes-of-a-416-error 416要求的范围不可满足

尝试通过设置首选项或在每次发送请求后删除cookie来选择不保存cookie。

profile.set_preference("network.cookie.cookieBehavior", 2);