爬蟲的核心思想：模拟浏覽器正常通路伺服器，一般情況隻要浏覽器能通路的，都可以爬，如果被反爬，則考慮反複測試添加Request Header資料，知道可以爬取為止。
反爬思路目前知道的有：User-Agent，Cookie，Referer，通路速度，驗證碼，使用者登入及前端js代碼驗證等。本例遇到js驗證 User-Agent Referer Cookie共計4種反爬機制。
關鍵部分是，參數headers和data的構造，headers要進行反複測試，data資料裡面的變量查找思路。
參考資料：
有道翻譯頁面，左邊輸入要翻譯的字元串，右邊會自動輸出翻譯的結果，如下圖
經過多次輸入字元測試，發現頁面無重新整理，猜測可能使用ajax，然後進行抓包分析，發現的确使用ajax傳輸資料
代碼如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib
import urllib2
import time
import hashlib
url = ‘http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule‘
keyword = raw_input(‘請輸入要翻譯的字元串： ‘)
# headers作用模拟浏覽器
headers = {
# "Accept": "application/json, text/javascript, */*; q=0.01",
# "Connection": "keep-alive",
# "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
"Cookie": "你的浏覽器cookie值",
"Referer": "http://fanyi.youdao.com/",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36",
# "X-Requested-With": "XMLHttpRequest",
}
salt = str(int(time.time()*1000))
m = hashlib.md5()
str = "fanyideskweb" + keyword + salt + "ebSeFb%=XZ%T[KZ)c(sy!"
m.update(str)
sign = m.hexdigest().encode(‘utf-8‘)
print(sign)
# data為post請求資料
data = {
"i":keyword,
"from":"AUTO",
"to":"AUTO",
"smartresult":"dict",
"client":"fanyideskweb",
"salt":salt,
"sign":sign,
"doctype":"json",
"version":"2.1",
"keyfrom":"fanyi.web",
"action":"FY_BY_REALTIME",
"typoResult":"false"
}
# 對post上傳的資料進行urlencode編碼
data = urllib.urlencode(data)
# urllib 僅可以接受URL，不能建立 Request 類執行個體，也不能設定參數headers ，但可以對url進行編碼，而urllib2不能編碼，是以經常一起使用
# 而urllib2.urlopen(url)不能構造複雜的request，是以要使用urllib2.Request(url,data=data,headers=headers)，2者都是有data參數時表示post送出資料，headers的值為模仿浏覽器請求頭裡面的的資料，格式為字典，讓伺服器接受的資料看起來像使用浏覽器通路。
request = urllib2.Request(url,data=data,headers=headers)
response = urllib2.urlopen(request)
print(response.read())
代碼測試，如下圖
原文位址：https://www.cnblogs.com/silence-cc/p/9193344.html