Python 爬虫代理 Scrapy 框架详细介绍 3

laical1 · 2020年06月05日 · 279 次阅读

Scrapy 防止反爬

通常防止爬虫被反主要有以下几个策略: • 动态设置 User-Agent(随机切换 User-Agent,模拟不同用户的浏览器信息,可以使用组件 scrapy-random-useragent) • 禁用 Cookies(对于简单网站可以不启用 cookies middleware,不向 Server 发送 cookies,有些网站通过 cookie 的使用发现爬虫行为)可以通过 COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭 • 启用 Cookies(对于复杂网站,需要使用无头浏览器 scrapy-splash 获取 js 生成的复杂 cookies • 设置延迟下载(防止访问过于频繁,设置为 2 秒 或更高) • Google Cache 和 Baidu Cache:如果可能的话,使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据。 • Referer 使用假的来源,比如百度带关键词的链接 • 使用 IP 地址池:现在大部分网站都是根据 IP 来 ban 的,可以通过亿牛云海量定制代理理池突破 • 使用 亿牛云爬虫代理组件代码。 #! -- encoding:utf-8 -- import base64
import sys import random PY3 = sys.version_info[0] >= 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode('utf8') else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode('ascii') else: return output_bytes class ProxyMiddleware(object):
def process_request(self, request, spider): # 代理服务器 (产品官网 www.16yun.cn) proxyHost = "t.16yun.cn" proxyPort = "31111" # 代理隧道验证信息 proxyUser = "username" proxyPass = "password" request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort) # 添加验证头 encoded_user_pass = base64ify(proxyUser + ":" + proxyPass) request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass
# 设置 IP 切换头 (根据需求) tunnel = random.randint(1,10000) request.headers['Proxy-Tunnel'] = str(tunnel) 修改项目配置文件 (./项目名/settings.py) DOWNLOADER_MIDDLEWARES = { 'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110, '项目名.middlewares.ProxyMiddleware': 100, } 设置下载中间件(Downloader Middlewares) 下载中间件是处于引擎 (crawler.engine) 和下载器 (crawler.engine.download()) 之间的一层组件,可以有多个下载中间件被加载运行。

  1. 当引擎传递请求给下载器的过程中,下载中间件可以对请求进行处理 (例如增加 http header 信息,增加 proxy 信息等);
  2. 在下载器完成 http 请求,传递响应给引擎的过程中, 下载中间件可以对响应进行处理(例如进行 gzip 的解压等) 要激活下载器中间件组件,将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典 (dict),键为中间件类的路径,值为其中间件的顺序 (order)。 这里是一个例子: DOWNLOADER_MIDDLEWARES = { 'mySpider.middlewares.MyDownloaderMiddleware': 543, } 编写下载器中间件十分简单。每个中间件组件是一个定义了以下一个或多个方法的 Python 类: class scrapy.contrib.downloadermiddleware.DownloaderMiddleware process_request(self, request, spider) • 当每个 request 通过下载中间件时,该方法被调用。 • process_request() 必须返回以下其中之一:一个 None 、一个 Response 对象、一个 Request 对象或 raise IgnoreRequest: • 如果其返回 None ,Scrapy 将继续处理该 request,执行其他的中间件的相应方法,直到合适的下载器处理函数 (download handler) 被调用, 该 request 被执行 (其 response 被下载)。 • 如果其返回 Response 对象,Scrapy 将不会调用 任何 其他的 process_request() 或 process_exception() 方法,或相应地下载函数; 其将返回该 response。 已安装的中间件的 process_response() 方法则会在每个 response 返回时被调用。 • 如果其返回 Request 对象,Scrapy 则停止调用 process_request 方法并重新调度返回的 request。当新返回的 request 被执行后, 相应地中间件链将会根据下载的 response 被调用。 • 如果其 raise 一个 IgnoreRequest 异常,则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常, 则 request 的 errback(Request.errback) 方法会被调用。如果没有代码处理抛出的异常, 则该异常被忽略且不记录 (不同于其他异常那样)。 • 参数: • request (Request 对象) – 处理的 request • spider (Spider 对象) – 该 request 对应的 spider process_response(self, request, response, spider) 当下载器完成 http 请求,传递响应给引擎的时候调用 • process_request() 必须返回以下其中之一: 返回一个 Response 对象、 返回一个 Request 对象或 raise 一个 IgnoreRequest 异常。 • 如果其返回一个 Response (可以与传入的 response 相同,也可以是全新的对象), 该 response 会被在链中的其他中间件的 process_response() 方法处理。 • 如果其返回一个 Request 对象,则中间件链停止, 返回的 request 会被重新调度下载。处理类似于 process_request() 返回 request 所做的那样。 • 如果其抛出一个 IgnoreRequest 异常,则调用 request 的 errback(Request.errback)。 如果没有代码处理抛出的异常,则该异常被忽略且不记录 (不同于其他异常那样)。 • 参数: • request (Request 对象) – response 所对应的 request • response (Response 对象) – 被处理的 response • spider (Spider 对象) – response 所对应的 spider 使用案例:
  3. 创建 middlewares.py 文件。 Scrapy 代理 IP、Uesr-Agent 的切换都是通过 DOWNLOADER_MIDDLEWARES 进行控制,我们在 settings.py 同级目录下创建 middlewares.py 文件,包装所有请求。 # middlewares.py #!/usr/bin/env python # -- coding:utf-8 -- import random import base64 from settings import USER_AGENTS from settings import PROXIES # 随机的 User-Agent class RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) request.headers.setdefault("User-Agent", useragent) class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy['user_passwd'] is None: # 没有代理账户验证的代理使用方式 request.meta['proxy'] = "http://" + proxy['ip_port'] else: # 对账户密码进行 base64 编码转换 base64_userpasswd = base64.b64encode(proxy['user_passwd']) # 对应到代理服务器的信令格式里 request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port'] 为什么 HTTP 代理要使用 base64 编码: HTTP 代理的原理很简单,就是通过 HTTP 协议与代理服务器建立连接,协议信令中包含要连接到的远程主机的 IP 和端口号,如果有需要身份验证的话还需要加上授权信息,服务器收到信令后首先进行身份验证,通过后便与远程主机建立连接,连接成功之后会返回给客户端 200,表示验证通过,就这么简单,下面是具体的信令格式: CONNECT 59.64.128.198:21 HTTP/1.1 Host: 59.64.128.198:21 Proxy-Authorization: Basic bGV2I1TU5OTIz User-Agent: OpenFetion 其中 Proxy-Authorization 是身份验证信息,Basic 后面的字符串是用户名和密码组合后进行 base64 编码的结果,也就是对 username:password 进行 base64 编码。 HTTP/1.0 200 Connection established OK,客户端收到收面的信令后表示成功建立连接,接下来要发送给远程主机的数据就可以发送给代理服务器了,代理服务器建立连接后会在根据 IP 地址和端口号对应的连接放入缓存,收到信令后再根据 IP 地址和端口号从缓存中找到对应的连接,将数据通过该连接转发出去。 • 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)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5" ] • 添加代理 IP 设置 PROXIES: 代理 IP 可以购买亿牛云的爬虫代理 IP: PROXIES = [ {'ip_port': 't.16yun.cn:31111', 'user_passwd': '16yun:16yun'}, {'ip_port': 't.16yun.cn:31112', 'user_passwd': '16yun:16yun'} ] • 除非特殊需要,禁用 cookies,防止某些网站根据 Cookie 来封锁爬虫。COOKIES_ENABLED = False • 设置下载延迟 DOWNLOAD_DELAY = 3 • 最后设置 setting.py 里的 DOWNLOADER_MIDDLEWARES,添加自己编写的下载中间件类。 DOWNLOADER_MIDDLEWARES = { #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543, 'mySpider.middlewares.RandomUserAgent': 1, 'mySpider.middlewares.ProxyMiddleware': 100 }
更多原创文章干货分享,请关注公众号
  • 加微信实战群请加微信(注明:实战群):gocnio
暂无回复。
需要 登录 后方可回复, 如果你还没有账号请点击这里 注册