爬蟲入門之反反爬蟲機制cookie UA與中間件(十三)

1. 通常防止爬蟲被反主要有以下幾個策略 (1)動態設置User Agent(隨機切換User Agent,模擬不同的瀏覽器) 方法1: 修改setting.py中的User Agent 方法2: 修改setting中的 DEFAULT_REQUEST_HEADERS 方法3 : 在代碼中修改 (2 ...

1. 通常防止爬蟲被反主要有以下幾個策略

(1)動態設置User-Agent(隨機切換User-Agent,模擬不同的瀏覽器)

方法1: 修改setting.py中的User-Agent

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Hello World'  #User-Agent

方法2: 修改setting中的 DEFAULT_REQUEST_HEADERS

# Override the default request headers:
 DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
    'User-Agent':'Hello World'
 }

方法3 : 在代碼中修改

class HeadervalidationSpider(scrapy.Spider):
    name = 'headervalidation'
    allowed_domains = ['helloacm.com']
    
    def start_requests(self):
        header={'User-Agent':'Hello World'}
        yield scrapy.Request(url='http://helloacm.com/api/user-agent/',headers=header,callback=self.parse)

    def parse(self, response):
        print ('*'*20)
        print response.body

(2)禁用Cookies

就是不啟用cookies middleware，不向Server發送cookies，有些網站通過cookie的使用發現爬蟲行為

可以通過settings.py中的COOKIES_ENABLED , 控制 CookiesMiddleware 開啟或關閉
設置延遲下載（防止訪問過於頻繁，設置為 2秒或更高）DOWNLOAD_DELAY
Google Cache 和 Baidu Cache：如果可能的話，使用谷歌/百度等搜索引擎伺服器頁面緩存獲取頁面數據。
使用IP地址池：VPN和代理IP，現在大部分網站都是根據IP來ban的

使用Crawlera（專用於爬蟲的代理組件），正確配置和設置下載中間件後，項目所有的request都是通過crawlera發出。在settings中打開下載中間件

DOWNLOADER_MIDDLEWARES = {
      'scrapy_crawlera.CrawleraMiddleware': 600
}
CRAWLERA_ENABLED = True
CRAWLERA_USER = '註冊/購買的UserKey'
CRAWLERA_PASS = '註冊/購買的Password'

2.設置下載中間件（Downloader Middlewares）

下載中間件是處於引擎(crawler.engine)和下載器(crawler.engine.download())之間的一層組件，可以有多個下載中間件被載入運行。

當引擎傳遞請求給下載器過程中，下載中間件可以對請求進行處理（增加http header信息 proxy信息等）；
在下載器完成http請求，傳遞響應給引擎過程中，下載中間件可以對響應進行處理（例如進行gzip的解壓等）

要激活下載器中間件組件，將其加入到 DOWNLOADER_MIDDLEWARES 設置中。該設置是一個字典(dict)，鍵為中間件類的路徑，值為其中間件的順序(order)。

#開放下載中間件
DOWNLOADER_MIDDLEWARES = {
    'mySpider.middlewares.MyDownloaderMiddleware': 543,
}

一般下載中間件可以定義一下一個或多個方法:

process_request(self, request, spider)

當每個request通過下載中間件時，該方法被調用。
process_request() 返回其中之一：None 、 Response 對象、 Request 對象或 raise IgnoreRequest:
- 如果其返回 None ，Scrapy將繼續處理該request，執行其他的中間件的相應方法，直到合適的下載器處理函數(download handler)被調用，該request被執行(其response被下載)。
- 如果返回 Response 對象，Scrapy將不會調用任何其他的 process_request() 或 process_exception() 方法。已安裝的中間件的 process_response() 方法則會在每個response返回時被調用。
- 如果其返回 Request 對象，Scrapy則停止調用 process_request方法並重新調度返回的request。當新返回的request被執行後，相應地中間件鏈將會根據下載的response被調用。
- 如果其raise一個 IgnoreRequest 異常，則安裝的下載中間件的 process_exception() 方法會被調用。如果沒有任何一個方法處理該異常，則request的errback(Request.errback)方法會被調用。如果沒有代碼處理拋出的異常，則該異常被忽略且不記錄(不同於其他異常那樣)。
參數:
- request (Request 對象) – 處理的request
- spider (Spider 對象) – 該request對應的spider

process_response(self, request, response, spider)

當下載器完成http請求，傳遞響應給引擎的時候調用

process_response() 必須返回以下其中之一: 返回一個 Response 對象、返回一個 Request 對象或raise一個 IgnoreRequest 異常。
- 如果其返回一個 Response (可以與傳入的response相同，也可以是全新的對象)，該response會被在鏈中的其他中間件的 process_response() 方法處理。
- 如果其返回一個 Request 對象，則中間件鏈停止，返回的request會被重新調度下載。處理類似於 process_request() 返回request所做的那樣。
- 如果其拋出一個 IgnoreRequest 異常，則調用request的errback(Request.errback)。如果沒有代碼處理拋出的異常，則該異常被忽略且不記錄(不同於其他異常那樣)。
參數:
- request (Request 對象) – response所對應的request
- response (Response 對象) – 被處理的response
- spider (Spider 對象) – response所對應的spider

3 案例

創建middlewares.py文件

Scrapy代理IP、Uesr-Agent的切換都是通過DOWNLOADER_MIDDLEWARES進行控制，我們在settings.py同級目錄下創建middlewares.py文件，包裝所有請求。

# middlewares.py

import random
from settings import USER_AGENTS
from settings import PROXIES

# 隨機的User-Agent
class RandomUserAgent(object):
    def process_request(self, request, spider):
        useragent = random.choice(USER_AGENTS)
        request.headers.setdefault("User-Agent", useragent)

# 隨機代理IP
class RandomProxy(object):
    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)
        request.meta['proxy'] = "http://" + proxy['ip_port']

修改settings.py配置USER_AGENTS和PROXIES

添加USER_AGENTS

USER_AGENTS = [
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)"]

添加代理IP設置PROXIES：

PROXIES = [
    {'ip_port': '111.8.60.9:8123'},
    {'ip_port': '101.71.27.120:80'},
    {'ip_port': '122.96.59.104:80'},
    {'ip_port': '122.224.249.122:8088'},
]

除非特殊需要，禁用cookies，防止某些網站根據Cookie來封鎖爬蟲。

COOKIES_ENABLED = False

設置延遲

DOWNLOAD_DELAY = 3

最後設置setting.py里的DOWNLOADER_MIDDLEWARES，添加自己編寫的下載中間件類

DOWNLOADER_MIDDLEWARES = {
    #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543,
    'mySpider.middlewares.RandomUserAgent': 81,
    'mySpider.middlewares.ProxyMiddleware': 100
}