反反爬虫相关机制
(有些网站使用不同程度的复杂性规则防止爬虫访问,绕过这些规则是困难和复杂的,有时可能需要特殊的设置)
Scrapy官方文档描述:http://doc.scrapy.org/en/master/topics/practices.html#avoiding-getting-banned
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)
-
禁用Cookies(前提是爬取的网站不需要cookies参数)(也就是不启用cookies middleware,不向Server发送cookies,有些网站通过cookie的使用发现爬虫行为)
使用cookies池,自定义中间件
除非特殊需要,否则禁用cookies,防止某些网站根据Cookie来封锁爬虫。
COOKIES_ENABLED = False
- 设置延迟下载(降低访问网站的频率)(设置为2秒或更高)
DOWNLOAD_DELAY = 2
- 使用IP代理地址池:VPN和代理IP,现在大部分网站都是根据IP来反爬的。
针对于反爬手段
方案一 使用 Crawlera(专用于爬虫的代理组件),正确配置和设置下载中间件后,项目所有的request都是通过crawlera发出。 官方网站:https://scrapinghub.com/crawlera 参考网站:https://www.aliyun.com/jiaocheng/481939.html
DOWNLOADER_MIDDLEWARES = {
'scrapy_crawlera.CrawleraMiddleware': 600
}
CRAWLERA_ENABLED = True
CRAWLERA_USER = '注册/购买的UserKey'
CRAWLERA_PASS = '注册/购买的Password'
方式二
自定义下载中间件(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,可以用来修改Request和Response。
- 当引擎传递请求(Request)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(User-Agent),增加proxy代理等);
- 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
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,值为其中间件的优先级。值越低,代表优先级越高。
自定义中间键需要了解middlewares.py下载中间件相关方法
每个中间件组件是一个定义了以下一个或多个方法
def process_request(self, request, spider)
当每个request对象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:
-
None
- 如果返回 None: Scrapy将继续处理request,执 行其他的中间件的相应方法。
-
Response 对象
- 如果返回 Response 对象: Scrapy不会再调用任 何其他的中间件的 process_request()或相应地下 载函数; 直接返回这个response对象。 已激活的中间件的 process_response()方法则会在 每个 response 返回时被调用。
-
Request 对象
- 如果返回 Request 对象,Scrapy则停止调用 其他中间件的process_request方法,并重新将返回的 request对象放置到调度器等待下载。
-
IgnoreRequest异常
- 如果返回raise IgnoreRequest 异常: 下载中间件的 process_exception() 方法会被用。 如果没有捕获该异常, 则request发情请求时设置的 errback(Request.errback)方法会被调用。如果也 没有设置异常回调,则该异常被忽略且不记录。
process_request()有两个参数:
- 如果返回raise IgnoreRequest 异常: 下载中间件的 process_exception() 方法会被用。 如果没有捕获该异常, 则request发情请求时设置的 errback(Request.errback)方法会被调用。如果也 没有设置异常回调,则该异常被忽略且不记录。
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Response给引擎的时调用
process_response() 必须返回以下其中之一:
- Response 对象
- 如果返回 Request: 更低优先级的下载中间件的 process_response方法不会继续调用,该Request会被 重新放到调度器任务队列中等待调度,相当于一个新的 Request。
- Request 对象
- 如果返回 Response 对象,更低优先级的下载中间 件的process_response方法会被继续调用对Response对象进行处理
- IgnoreRequest异常
- 如果抛出 IgnoreRequest 异常,则调用request 设置的errback(Request.errback)函数。 如果异常没有 被处理,则该异常被忽略且不记录。
process_response()有三个参数:
- 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
常见的中间件代码实例:
设置User-Agent中间件。
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。
- 在settings.py文件中添加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",
]
方式1
import random
class RandomUserAgent(object):
def process_request(self, request, spider):
#获取到代理的代理池
useragents = spider.settings['USERAGENTS']
#随机获取一个User-Agent
user_agent = random.choice(useragents)
print('执行下载中间件'+user_agent)
if user_agent:
#赋值的两种方式
request.headers.setdefault(b'User-Agent', user_agent)
# request.headers['User-Agent'] = user_agent
方式2
# 使用第三方插件来随机获取User-Agent
from fake_useragent import UserAgent
class RandomUserAgentMiddlewareTwo(object):
def process_request(self, request, spider):
user_agent = UserAgent().random
print('执行下载中间件'+user_agent)
if user_agent:
#赋值的两种方式
request.headers.setdefault(b'User-Agent', user_agent)
# request.headers['User-Agent'] = user_agent
最后设置setting.py里的DOWNLOADER_MIDDLEWARES,激活自己编写的下载中间件类。
DOWNLOADER_MIDDLEWARES = {
'mySpider.middlewares.RandomUserAgent': 99,
}
设置代理中间件。
- 添加代理IP设置PROXIES: 代理一般分为公开代理(不需要账号密码)和私密代理(需要账号密码) 代理获取方式:
- 免费代理IP可以网上搜索,
- 也可以付费购买一批可用的私密代理IP
# 在settings.py文件中模拟一个代理池(对于少量代理可以这么做)
PROXIES = [
{'ip_port': '111.8.60.9:8123', 'user_pwd': 'user1:pass1'},
{'ip_port': '101.71.27.120:80', 'user_pwd': 'user2:pass2'},
{'ip_port': '122.96.59.104:80', 'user_pwd': None},
{'ip_port': '122.224.249.122:8088', 'user_pwd': None},
]
# middlewares.py
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import random
import base64
#定义一个代理的中间件
import base64
class RandomProxyMiddleware(object):
def process_request(self, request, spider):
proxies = spider.settings['PROXIES']
proxy = random.choice(self.proxies)
if proxy['user_pwd'] is None:
# 没有代理账户验证的代理使用方式
request.meta['proxy'] = proxy['ip_port']
else:
#对账户密码进行base64编码
user_pwd = base64.b64encode(proxy['user_pwd'].encode('utf-8')).decode('utf-8')
#对应到代理服务器的信令格式里
request.headers['Proxy-Authorization'] = 'Basic ' + user_pwd
request.meta['proxy'] = 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
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。
3. 设置cookies中间件。
import random
class RandomCookiesMiddleware(object):
def process_request(self,request,spider):
cookies = spider.settings['COOKIES']
#随机获取一个cookies
cookie = random.choice(cookies)
if cookie:
request.cookies = cookie
4. 设置selenium中间件。
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from scrapy.http import HtmlResponse
class SeleniumMiddleware(object):
def __init__(self):
self.drive = webdriver.Chrome(executable_path='')
self.drive.set_page_load_timeout(10)
def process_request(self,request,spider):
try:
url = request.url
self.drive.get(url)
if self.drive.page_source:
return HtmlResponse(url=url,body=self.drive.page_source,status=200,encoding='utf-8',request=request)
except TimeoutException:
print('请求超时')
return HtmlResponse(url=url,body=None,status=500)