Python爬虫：关于scrapy模块的请求头

内容简介

使用scrapy写爬虫的时候，会莫名其妙的被目标网站拒绝，很大部分是浏览器请求头的原因。
现在一起来看看scrapy的请求头，并探究设置方式

工具准备

1. 开发环境python2.7 + scrapy 1.1.2
2. 测试请求头网站：https://httpbin.org/get?show_env=1
3. json在线解析：https://www.json.cn/
4. 浏览器请求头大全： http://www.useragentstring.com/

默认请求头

命令行执行，新建爬虫

scrapy startproject myspider
cd myspider
scrapy genspider scrapy_spider httpbin.org

我们通过对 https://httpbin.org/get?show_env=1 的请求，查看本次请求的浏览器信息，可以打开看一看是否是自己的浏览器信息

改写生成的scrapy_spider.py文件

import scrapy


class ScrapySpider(scrapy.Spider):
    name = "scrapy_spider"
    allowed_domains = ["httpbin.org"]
    start_urls = (
        # 请求的链接
        "https://httpbin.org/get?show_env=1",
    )

    def parse(self, response):
        # 打印出相应结果 
        print response.text


if __name__ == '__main__':
    from scrapy import cmdline
    cmdline.execute("scrapy crawl scrapy_spider".split())

如果是你正好使用mac本，正好使用pycharm可以按快捷键启动爬虫
shift + control + r
当然，如果是windows那就右键启动吧

将返回的文本复制到 https://www.json.cn/ 格式化成便于查看的json格式，下面操作亦然，不再赘述。

{
    "args":{
        "show_env":"1"
    },
    "headers":{
        "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
        "Accept-Encoding":"gzip,deflate",
        "Accept-Language":"en",
        "Connect-Time":"1",
        "Connection":"close",
        "Host":"httpbin.org",
        "Total-Route-Time":"0",
        "User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)",
        "Via":"1.1 vegur",
        "X-Forwarded-For":"39.155.188.22",
        "X-Forwarded-Port":"443",
        "X-Forwarded-Proto":"https",
        "X-Request-Id":"9dcf91a6-0bed-4d9e-b2bd-b7c88b832d81",
        "X-Request-Start":"1529654403617"
    },
    "origin":"39.155.188.22",
    "url":"https://httpbin.org/get?show_env=1"
}

看到了吧，默认的请求头是

"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)"

修改请求头

既然这样的话，那我们修改下请求头，达到伪造的效果
打开下面的链接，选一个自己喜欢的请求头
http://www.useragentstring.com/pages/useragentstring.php?name=Chrome
这里使用chrome浏览器请求头

方式一：全局设置

此方式设置后，覆盖掉scrapy默认的请求头，全局生效，即所有爬虫都可以享受
settings.py文件中找到如下代码

# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT = 'myspider (+http://www.yourdomain.com)'

解除注释，修改为自己的请求头

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"

运行爬虫，验证效果

"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",

方式二：爬虫设置

此方式设置后，单个爬虫生效，此爬虫的所有连接都享受

class ScrapySpider(scrapy.Spider):
    name = "scrapy_spider"
    allowed_domains = ["httpbin.org"]
    # 新添加的代码
    custom_settings = {
        "USER_AGENT": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
    }
    # -----------
    start_urls = (
        "https://httpbin.org/get?show_env=1",
    )

再次访问，发现我们的请求头已经成功更换

"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",

方式三：链接设置

此方法对单个链接生效, 只是此次请求的这个链接享受
在Request方法中设置headers参数

import scrapy

# 请求头
USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"

class ScrapySpider(scrapy.Spider):
    name = "scrapy_spider"
    allowed_domains = ["httpbin.org"]

    start_urls = (
        "https://httpbin.org/get?show_env=1",
    )
    # 新加的代码
    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url, headers={"User-Agent": USER_AGENT})
    # ------------

    def parse(self, response):
        print response.text

测试效果

"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",

方法四：中间件设置

此方法可以从整个项目中去修改请求头的设置规则，变化多端，不同的写法，可以配置出不同的设置方式，下面是一个比较简单的示例

我们参考scrapy默认处理请求头的中间件

from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware

编写中间件

# middlewares.py

class RandomUserAgentMiddleware(object):
    def process_request(self, request, spider):
        request.headers['User-Agent']= ""  # 绝对设置，其他设置都不生效

我们可以从下面找到默认设置

from scrapy.settings import default_settings

找到项目中对请求头起作用的中间件

'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 400,

在settings.py 或者custom_settings替换原有的中间件

"DOWNLOADER_MIDDLEWARES": {
        'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None,
        "myspider.middlewares.RandomUserAgentMiddleware": 400,
    }

这样可以从全局，或者局部替换掉请求头规则

作用优先级

如果作如下设置

# settings.py

USER_AGENT = "settings"

# scrapy_spider.py
custom_settings = {
        "USER_AGENT": "custom_settings",
    }
headers={"User-Agent": "header"}

运行效果为：

"User-Agent":"header"

注释掉headers

"User-Agent":"custom_settings"

注释掉custom_settings

"User-Agent":"settings"

注释掉settings

"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)"

可见优先级为：
headers > custom_settings > settings.py > Scrapy默认

注意

注意User-Agent参数的写法

headers={"User-Agent": USER_AGENT})

如果写错了，很可能发生奇怪的事情

headers={"User_Agent": USER_AGENT}

请求头中多了Scrapy…

"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org),Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",

其实，很好区分：
User-Agent： 浏览器请求头参数，html代码中经常用-
USER_AGENT: python变量

建议：
每次写浏览器参数，如果怕写错就打开自己的浏览器，随便测试一个页面，从里边复制

总结

设置方式	作用效果
Scrapy默认	所用爬虫所有请求
settings.py / USER_AGENT=""	所用爬虫所有请求
custom_settings = {"USER_AGENT": "",}	单个爬虫所有请求
headers={"User-Agent": ""}	单个请求
中间件方式downloadermiddleware	视编写规则而定

表格从上至下，优先级逐渐增加，中间件除外，一般掌握三种方式就够用了：

• settings.py
• custom_settings
• headers

作为从入门到实战的我，踩过不少坑，此文做了简单的总结，也分享了几个比较实用的网站。希望此文的分享能给大家提供一个少走弯路的捷径，那么此文的价值也就体现了。

顺便打个广告
最近想写一个开源库，chinesename中文取名，已经实现基本的取名，不过名字需要优化，如果有想一起搞事情的同学，可以一起

github地址：https://github.com/mouday/chinesename