浅谈Scrapy框架普通反爬虫机制的应对策略


Posted in Python onDecember 28, 2017

简单低级的爬虫速度快,伪装度低,如果没有反爬机制,它们可以很快的抓取大量数据,甚至因为请求过多,造成服务器不能正常工作。而伪装度高的爬虫爬取速度慢,对服务器造成的负担也相对较小。

爬虫与反爬虫,这相爱相杀的一对,简直可以写出一部壮观的斗争史。而在大数据时代,数据就是金钱,很多企业都为自己的网站运用了反爬虫机制,防止网页上的数据被爬虫爬走。然而,如果反爬机制过于严格,可能会误伤到真正的用户请求;如果既要和爬虫死磕,又要保证很低的误伤率,那么又会加大研发的成本。

简单低级的爬虫速度快,伪装度低,如果没有反爬机制,它们可以很快的抓取大量数据,甚至因为请求过多,造成服务器不能正常工作。而伪装度高的爬虫爬取速度慢,对服务器造成的负担也相对较小。所以,网站反爬的重点也是那种简单粗暴的爬虫,反爬机制也会允许伪装度高的爬虫,获得数据。毕竟伪装度很高的爬虫与真实用户也就没有太大差别了。

这篇文章主要讨论使用Scrapy框架时,如何应对普通的反爬机制。

header检验

最简单的反爬机制,就是检查HTTP请求的Headers信息,包括User-Agent,Referer、Cookies等。

User-Agent

User-Agent是检查用户所用客户端的种类和版本,在Scrapy中,通常是在下载器中间件中进行处理。比如在setting.py中建立一个包含很多浏览器User-Agent的列表,然后新建一个random_user_agent文件:

class RandomUserAgentMiddleware(object): @classmethod defprocess_request(cls, request, spider): ua = random.choice(spider.settings['USER_AGENT_LIST']) if ua: request.headers.setdefault('User-Agent', ua)

这样就可以在每次请求中,随机选取一个真实浏览器的User-Agent。

Referer

Referer是检查此请求由哪里来,通常可以做图片的盗链判断。在Scrapy中,如果某个页面url是通过之前爬取的页面提取到,Scrapy会自动把之前爬取的页面url作为Referfer。也可以通过上面的方式自己定义Referfer字段。

Cookies

网站可能会检测Cookie中session_id的使用次数,如果超过限制,就触发反爬策略。所以可以在Scrapy中设置COOKIES_ENABLED=False让请求不带Cookies。

也有网站强制开启Cookis,这时就要麻烦一点了。可以另写一个简单的爬虫,定时向目标网站发送不带Cookies的请求,提取响应中Set-cookie字段信息并保存。爬取网页时,把存储起来的Cookies带入Headers中。

X-Forwarded-For

在请求头中添加X-Forwarded-For字段,将自己申明为一个透明的代理服务器,一些网站对代理服务器会手软一些。

X-Forwarded-For头一般格式如下

X-Forwarded-For:client1,proxy1,proxy2

这里将client1,proxy1设置为随机IP地址,把自己的请求伪装成代理的随机IP产生的请求。然而由于X-Forwarded-For可以随意篡改,很多网站并不会信任这个值。

限制IP的请求数量

如果某一IP的请求速度过快,就触发反爬机制。当然可以通过放慢爬取速度绕过,这要以爬取时间大大增长为代价。另一种方法就是添加代理。

很简单,在下载器中间件中添加:

request.meta['proxy'] = 'http://' + 'proxy_host' + ':' + proxy_port

然后再每次请求时使用不同的代理IP。然而问题是如何获取大量的代理IP?

可以自己写一个IP代理获取和维护系统,定时从各种披露免费代理IP的网站爬取免费IP代理,然后定时扫描这些IP和端口是否可用,将不可用的代理IP及时清理。这样就有一个动态的代理库,每次请求再从库中随机选择一个代理。然而这个方案的缺点也很明显,开发代理获取和维护系统本身就很费时费力,并且这种免费代理的数量并不多,而且稳定性都比较差。如果必须要用到代理,也可以去买一些稳定的代理服务。这些服务大多会用到带认证的代理。

在requests库中添加带认证的代理很简单,

proxies = { "http": "http://user:pass@10.10.1.10:3128/", }

然而Scrapy不支持这种认证方式,需要将认证信息base64编码后,加入Headers的Proxy-Authorization字段:

importbase64 # Set the location of the proxy proxy_string = choice(self._get_proxies_from_file('proxies.txt')) # user:pass@ip:port proxy_items = proxy_string.split('@') request.meta['proxy'] = "http://%s" % proxy_items[1] # setup basic authentication for the proxy user_pass=base64.encodestring(proxy_items[0]) request.headers['Proxy-Authorization'] = 'Basic ' + user_pass

动态加载

现在越来越多的网站使用ajax动态加载内容,这时候可以先截取ajax请求分析一下,有可能根据ajax请求构造出相应的API请求的URL就可以直接获取想要的内容,通常是json格式,反而还不用去解析HTML。

然而,很多时候ajax请求都会经过后端鉴权,不能直接构造URL获取。这时就可以通过PhantomJS+Selenium模拟浏览器行为,抓取经过js渲染后的页面。

需要注意的是,使用Selenium后,请求不再由Scrapy的Downloader执行,所以之前添加的请求头等信息都会失效,需要在Selenium中重新添加

headers = {...} for key, valuein headers.iteritems(): webdriver.DesiredCapabilities.PHANTOMJS['phantomjs.page.customHeaders.{}'.format(key)] = value

另外,调用PhantomJs需要指定PhantomJs的可执行文件路径,通常是将该路径添加到系统的path路径,让程序执行时自动去path中寻找。我们的爬虫经常会放到crontab中定时执行,而crontab中的环境变量和系统的环境变量不同,所以就加载不到PhamtonJs需要的路径,所以最好是在申明时指定路径:

driver = webdriver.PhantomJS(executable_path='/usr/local/bin/phantomjs')

总结

以上就是本文关于浅谈Scrapy框架普通反爬虫机制的应对策略的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站:

如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!

Python 相关文章推荐
python将处理好的图像保存到指定目录下的方法
Jan 10 Python
利用Python正则表达式过滤敏感词的方法
Jan 21 Python
Python切片操作去除字符串首尾的空格
Apr 22 Python
python如何删除文件中重复的字段
Jul 16 Python
python3实现mysql导出excel的方法
Jul 31 Python
Python 通过微信控制实现app定位发送到个人服务器再转发微信服务器接收位置信息
Aug 05 Python
pytorch自定义初始化权重的方法
Aug 17 Python
Python爬虫爬取、解析数据操作示例
Mar 27 Python
Django form表单与请求的生命周期步骤详解
Jun 07 Python
PyCharm配置KBEngine快速处理代码提示冲突、配置命令问题
Apr 03 Python
Python基础详解之邮件处理
Apr 28 Python
python垃圾回收机制原理分析
Apr 13 Python
scrapy爬虫实例分享
Dec 28 #Python
Python解决N阶台阶走法问题的方法分析
Dec 28 #Python
Python实现嵌套列表去重方法示例
Dec 28 #Python
Python登录并获取CSDN博客所有文章列表代码实例
Dec 28 #Python
python 寻找优化使成本函数最小的最优解的方法
Dec 28 #Python
python机器学习案例教程——K最近邻算法的实现
Dec 28 #Python
Python实现螺旋矩阵的填充算法示例
Dec 28 #Python
You might like
Javascript SHA-1:Secure Hash Algorithm
2006/12/20 Javascript
学习YUI.Ext 第四天--对话框Dialog的使用
2007/03/10 Javascript
window.open以post方式将内容提交到新窗口
2012/12/26 Javascript
使用JQuery快速实现Tab的AJAX动态载入(实例讲解)
2013/12/11 Javascript
解决extjs grid 不随窗口大小自适应的改变问题
2014/01/26 Javascript
JavaScript中奇葩的假值示例应用
2014/03/11 Javascript
javascript正则匹配汉字、数字、字母、下划线
2014/04/10 Javascript
jQuery实现的仿百度分页足迹效果代码
2015/10/30 Javascript
JavaScript中文件上传API详解
2016/04/01 Javascript
jQ处理xml文件和xml字符串的方法(详解)
2016/11/22 Javascript
浅谈JavaScript的计时器对象
2016/12/26 Javascript
ajax的分页查询示例(不刷新页面)
2017/01/11 Javascript
Vue.js学习示例分享
2017/02/05 Javascript
利用js的闭包原理做对象封装及调用方法
2017/04/07 Javascript
BootStrap实现文件上传并带有进度条效果
2017/09/11 Javascript
Javascript ParentNode和ChildNode接口原理解析
2020/03/16 Javascript
js实现QQ邮箱邮件拖拽删除功能
2020/08/27 Javascript
Vue 的 v-model用法实例
2020/11/23 Vue.js
vue实现表格合并功能
2020/12/01 Vue.js
Python编写的com组件发生R6034错误的原因与解决办法
2013/04/01 Python
在Python中进行自动化单元测试的教程
2015/04/15 Python
Python下线程之间的共享和释放示例
2015/05/04 Python
详解 Python 与文件对象共事的实例
2017/09/11 Python
Python requests库用法实例详解
2018/08/14 Python
用Python实现BP神经网络(附代码)
2019/07/10 Python
巴西葡萄酒商店:Divvino
2020/02/22 全球购物
医学院学生求职简历的自我评价
2013/10/24 职场文书
护理专业自荐信
2013/12/03 职场文书
高中的职业生涯规划书
2013/12/28 职场文书
个人安全承诺书
2014/05/22 职场文书
公司回复函格式
2015/07/14 职场文书
安全教育的主题班会
2015/08/13 职场文书
用python自动生成日历
2021/04/24 Python
python神经网络编程之手写数字识别
2021/05/08 Python
浅谈spring boot使用thymeleaf版本的问题
2021/08/04 Java/Android
详解Go语言中Get/Post请求测试
2022/06/01 Golang