Scrapy各种反反爬机制你都知道吗？

爬虫之Scrapy系列文章

欢迎点赞评论学习交流~

各位看官多多关注哦~

 

目录

内容介绍

 Scrapy如何设置请求头？

 Scrapy获取数据过快被封ip该如何处理？

 Scrapy如何动态获取数据你知道吗？

 Scrapy程序出现Bug给你发邮件想学习吗？

Scrapy请求头设置

Scrapy设置时间间隔

Scrapy动态获取数据

Scrapy发邮件

结束 

---

内容介绍

 Scrapy如何设置请求头？

 Scrapy获取数据过快被封ip该如何处理？

 Scrapy如何动态获取数据你知道吗？

 Scrapy程序出现Bug给你发邮件想学习吗？

   芜湖 起飞~ 

Scrapy请求头设置

         学过爬虫的和没学过爬虫的都应该听说过请求头。请求头它是访问一个网站时，发送请求时所携带的一种用户标识，哈哈，明白这些就行了，那用Scrapy框架时该如何把固定的请求头换成我们想要的请求头呢？往下看~

 

 创建一个项目，找到TextSpiderMiddleware，这个是爬虫中间键。

#随机user-agents
import random
class RandomUserAgentMiddleware():
    def __init__(self):
        self.user_agents = [
            'Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)',
            'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2',
            'Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1'
        ]

    def process_request(self, request, spider):
        request.headers['User-Agent'] = random.choice(self.user_agents)

 我们添加以上代码，这里我只写了三个请求头，可自行添加。作用是设置随机请求头。

 添加了代码后我们要去settings.py中放开DOWNLOADER_MIDDLEWARES,再将我们的类名写入并指定优先级。

 网址：https://httpbin.org/get

我们访问它可以得到我们请求服务器的一些参数，我们发现这时User-Agent已经变成了我们设置的随机请求头中的一个。 

Scrapy设置时间间隔

         对于一些做过反爬的网站，可能你去用Scrapy去获取数据时他可能会限制你的爬取速度，你一旦触及到了它设置的反爬机制你就爬不到数据了，对于Scrapy框架这种神级框架它也有对此的应对策略。

同样的我们进入到这个包中。

import time
import logging

# 设置随机延时
class RandomDelayMiddleware(object):
    def __init__(self, delay):
        self.delay = delay

    @classmethod
    def from_crawler(cls, crawler):
        delay = crawler.spider.settings.get("DOWNLOAD_DELAY", 1) #setting里设置的时间，注释默认为1s
        if not isinstance(delay, int):
            raise ValueError("RANDOM_DELAY need a int")
        return cls(delay)

    def process_request(self, request, spider):
        # delay = random.randint(0, self.delay)
        delay = random.uniform(0, self.delay)
        delay = float("%.1f" % delay)
        logging.debug("### time is random delay: %s s ###" % delay)
        time.sleep(delay)

 添加以上代码。作用是对访问进行随机延时处理。

进入到settings.py文件，添加text.middlewares.RandomDelayMiddleware，设置优先级即可，再找到DOWNLOAD_DELAY = 3放开。我们测试一波~

 

控制台帮我们打印出了延迟的时间2.2s，这个延迟范围为(0，3）。

Scrapy动态获取数据

          爬虫基础学习中我们学过selenium自动化处理一些模拟登录和静态html数据的获取的案例。Scrapy框架该如何设置动态获取数据呢？

#配置动态数据采集
from selenium import webdriver
from logging import getLogger
from scrapy.http import HtmlResponse
from pyppeteer import launch
import asyncio

class SeleniumMiddleware():
    def __init__(self):
        self.logger = getLogger(__name__)
        # self.timeout = random.randint(1,3)
        #PhantomJS.exe的路径
        self.browser = webdriver.PhantomJS(executable_path=r'D:\Phantomjs\phantomjs-2.1.1-windows\phantomjs-2.1.1-windows\bin\phantomjs.exe')
        self.browser.set_window_size(1400, 700)
        # self.browser.set_page_load_timeout(self.timeout)
    # chrome浏览器
    def process_request(self, request, spider):
        self.logger.debug('PhantomJS is Starting')
        self.browser.get(request.url)
        body = self.browser.page_source
        return HtmlResponse(url=request.url, body=body, request=request, encoding='utf-8',status=200)
    # ppeteer浏览器
    # def process_request(self, request, spider):
    #     page_html = asyncio.get_event_loop().run_until_complete(self.main(request.url))
    #     return HtmlResponse(url=request.url, body=page_html, request=request, encoding='utf-8', status=200)
    #
    # async def main(self, url):
    #     browser = await launch()
    #     page = await browser.newPage()
    #     await page.goto(url)
    #     text = await page.content()
    #     return text
    #关闭浏览器
    def __del__(self):
        self.browser.close()

这里我们结合PhantomJS无头浏览器来获取数据，下面有两种打开方式一种是Chrome浏览器，还有一种是ppeteer浏览器。

 控制台打印出这句话时，说明你已经启动了PhantomJS无头浏览器。

Scrapy发邮件

         当我们在用Scrapy框架爬取大量数据时，程序可能要运行很久，当程序出现bug时如何及时告知爬虫程序有bug呢？我们可以接入python自带的邮件发送库，当程序出错时自动发送一封邮件到你的手机上告诉你程序出错了，是不是很神奇~

讲这个内容前我先说一说如何开启qq邮箱的POP3/SMTP服务，就是你开启了这个服务后，可以通过代码来给别人发邮件，当然也可以给自己发~ 

登录电脑版的qq邮箱--->账户--->POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务

 按照提示步骤开启就行，记住短信发送来的授权码。做完这些后我们来测试一波~

import scrapy
from pydispatch import dispatcher
from scrapy import cmdline, signals
from scrapy.mail import MailSender

#配置邮件发送功能
class XxxSpider(scrapy.Spider):
    name = 'xxx'
    # allowed_domains = ['xx.com']
    # start_urls = ['https://careers.tencent.com/search.html?keyword=python']
    start_urls = 'https://careers.tencent.com/search.html?index={}&keyword=python'
    start_urls = 'https://httpbin.org/get'
    mailers = MailSender(smtphost="smtp.qq.com",  # 发送邮件的服务器
                         mailfrom="[email protected]",  # 邮件发送者
                         smtpuser="[email protected]",  # 用户名
                         smtppass="*",  # 发送邮箱的密码不是你注册时的密码，而是授权码！！！切记！
                         smtpport=25  # 端口号
                         )  # 初始化邮件模块
    def __init__(self):
        """ 监听信号量 """
        super(XxxSpider, self).__init__()  # 当收到spider_closed信号的时候，调用下面的close方法来发送通知邮件
        dispatcher.connect(self.spider_closed, signals.spider_closed)

    def spider_closed(self, spider, reason):
        # 上方的信号量触发这个方法
        stats_info = self.crawler.stats._stats  # 爬虫结束时控制台信息
        body = "爬虫[%s]已经关闭，原因是: %s.\n以下为运行信息：\n %s" % (spider.name, reason, stats_info)
        subject = "[%s]爬虫关闭提醒" % spider.name
        self.mailers.send(to={"[email protected]"},
                     subject=subject,
                     body=body)

    def start_requests(self):
        for i in range(1, 3):
            yield scrapy.Request(url=self.start_urls.format(i), callback=self.parse)
        # yield scrapy.Request(url=self.start_urls,callback=self.parse)

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

以上是测试代码~ 

 已收到爬虫结束的邮件 

结束