本周又和大家見面了，首先說一下我最近正在做和將要做的一些事情。（我的新書《Python爬蟲開發與項目實戰》出版了，大家可以看一下樣章）
技術方面的事情:本次端午假期沒有休息，正在使用flask開發自己的個人博客框架，之后我的技術教程將會陸續更新flask方面的內容，盡可能的形成一套完整的flask開發教程。之后打算再開通一個微信公眾號，自己使用python開發微信公眾號后台，給大家提供一些生活上的服務，例如及時提醒一些商家優惠信息，跟蹤快遞，提醒天氣等等，大家如果有什么好的想法，可以給我留言，你的點子如果被采用了，將會出現在貢獻者名單中。
生活方面的事情:開始重新學習吉他，多了解一些音樂方面的事情，個人感覺自己的藝術細菌滋生的還是蠻快的。嘗試去寫比較系統的技術文章，由淺入深，力求最后能形成書籍。
好了，廢話不多說，咱們進入今天的主題。前幾篇文章，講述了scrapy爬取美女圖片和代理的內容，因為之前的寫的爬取代碼，在爬取到1000張圖片左右就會被ban，所以咱們今天講解的是使用VPN + Tor來突破反爬蟲機制。
根據scrapy官方文檔：http://doc.scrapy.org/en/master/topics/practices.html#avoiding-getting-banned里面的描述，要防止scrapy被ban，主要有以下幾個策略。
-
動態設置user agent
-
禁用cookies
-
設置延遲下載
-
使用IP地址池（Tor project、VPN和代理IP）
-
使用Crawlera
一般前三個策略是必須要做的，然后咱們在選擇使用代理ip池，就可以繞過絕大部分的網站的反爬蟲機制。
基於咱們之前寫的jiandan_2(https://github.com/qiyeboy/jiandan_2)的代碼，咱們進行一下改動，需要寫一個中間件。在原有工程的基礎上，添加middlewares包，同時在包中寫入RandomProxy.py(用來設置代理ip)，RandomUserAgent(用來動態設置user agent)。
第一步動態設置user agent:
http請求頭中user agent包含了我們使用的瀏覽器和操作系統的一些信息，很多網站通過判斷user agent內容來確定用戶的，所以咱們要動態設置user agent，來假裝自己是很多用戶。來看一下代碼：
#coding:utf-8
import random
'''
這個類主要用於產生隨機UserAgent
'''
class RandomUserAgent(object):
def __init__(self,agents):
self.agents = agents
@classmethod
def from_crawler(cls,crawler):
return cls(crawler.settings.getlist('USER_AGENTS'))#返回的是本類的實例cls ==RandomUserAgent
def process_request(self,request,spider):
request.headers.setdefault('User-Agent', random.choice(self.agents))
user agent的值，我在setting.py中已經設置好了。
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"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",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
第二步 禁用cookie,在setting.py中添加
COOKIES_ENABLED=False
第三步設置延遲下載,在setting.py中添加
DOWNLOAD_DELAY=2
第四步設置代理:
之前爬取的代理，發現穩定性太差，果然是免費提供的，所以我就直接棄用了。自己買了一個VPN(主要是為了翻牆使用Tor)，然后在配上Tor,就可以形成一個ip地址池。
首先連接上vpn，我買的是一個美國的地址 。
然后連接Tor(Tor的安裝教程網上太多了)。
由於Tor使用的是sock代理方式(綁定了9050端口),我們的http請求不能直接通過它，所以要使用一個http轉sock的代理軟件polipo(無需安裝)。
配置一下config.sample:
socksParentProxy = "localhost:9050"
socksProxyType = socks5 diskCacheRoot = ""
使用cmd命令運行該目錄下的程序：polipo.exe -c config.sample(監聽8123端口)
最后咱們在setting.py中添加
HTTP_PROXY ='http://127.0.0.1:8123'#使用Tor
最后看一下RandomProxy.py代碼:
#coding:utf-8
import random
from jiandan import settings
from jiandan.db.db_helper import DB_Helper
'''
這個類主要用於產生隨機代理
'''
class RandomProxy(object):
def __init__(self):#初始化一下數據庫連接
self.db_helper = DB_Helper()
self.count =self.db_helper.proxys.count()
def process_request(self, request, spider):
'''
在請求上添加代理
:param request:
:param spider:
:return:
'''
# idList = range(1,self.count+1)
# id = random.choice(idList)
# result = self.db_helper.findOneResult({'proxyId':id})
request.meta['proxy'] =settings.HTTP_PROXY
最后運行程序，開始下載。由於Tor網速較慢，下載了3萬張圖片花了一天左右。。。。
不過沒有發生被ban掉的情況。
完整的代碼我已經上傳到github上:
https://github.com/qiyeboy/jiandan_2
今天的分享就到這里，如果大家覺得還可以呀，記得推薦呦。
歡迎大家支持我公眾號:
本文章屬於原創作品,歡迎大家轉載分享。尊重原創,轉載請注明來自:七夜的故事 http://www.cnblogs.com/qiyeboy/