第7章 Scrapy突破反爬蟲的限制

7-1 爬蟲和反爬的對抗過程以及策略

Ⅰ、爬蟲和反爬蟲基本概念

1. 爬蟲：自動獲取網站數據的程序，關鍵是批量的獲取。
2. 反爬蟲：使用技術手段防止爬蟲程序的方法。
3. 誤傷：反爬蟲技術將普通用戶識別為爬蟲，如果誤傷過高，效果再高也不能用。
4. 成本：反爬蟲需要的人力和機器成本。
5. 攔截：成功攔截爬蟲，一般攔截率越高，誤傷率越高。

Ⅱ、反爬蟲的目的

1. 初級爬蟲----簡單粗暴，不管服務器壓力，容易弄掛網站。
2. 數據保護
3. 失控的爬蟲----由於某些情況下，忘記或者無法關閉的爬蟲。
4. 商業競爭對手

Ⅲ、爬蟲和反爬蟲對抗過程

7-2 scrapy架構源碼分析

原理圖：

我最早接觸scrapy的時候就是看這張原理圖，如下圖

現在有新的原理圖，更加直觀，如下圖

看了視頻講的源碼解析，看一遍根本看不懂，后期還要多看叫上項目的練習才行。

7-3 Requests和Response介紹

可以看scrapy文檔： http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html 查看相關的說明即可。

模擬登陸后，Request會自動傳遞cookies,不用我們添加。

7-4~5 通過downloadmiddleware隨機更換user-agent

這是個模版以后直接拿來用即可

#middlewares.py文件
from fake_useragent import UserAgent #這是一個隨機UserAgent的包，里面有很多UserAgent
class RandomUserAgentMiddleware(object):
    def __init__(self, crawler):
        super(RandomUserAgentMiddleware, self).__init__()

        self.ua = UserAgent()
        self.ua_type = crawler.settings.get('RANDOM_UA_TYPE', 'random') #從setting文件中讀取RANDOM_UA_TYPE值

    @classmethod
    def from_crawler(cls, crawler):
        return cls(crawler)

    def process_request(self, request, spider):
        def get_ua():
            '''Gets random UA based on the type setting (random, firefox…)'''
            return getattr(self.ua, self.ua_type) 

        user_agent_random=get_ua()
        request.headers.setdefault('User-Agent', user_agent_random) #這樣就是實現了User-Agent的隨即變換

#settings.py文件
DOWNLOADER_MIDDLEWARES = {
   'Lagou.middlewares.RandomUserAgentMiddleware': 543,
   'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None, #這里要設置原來的scrapy的useragent為None，否者會被覆蓋掉
}
RANDOM_UA_TYPE='random'

7-6~8 scrapy實現ip代理池

這是個模版以后直接拿來用即可

#middlewares.py文件
class RandomProxyMiddleware(object):
    '''動態設置ip代理'''
    def process_request(self,request,spider):
        get_ip = GetIP() #這里的函數是傳值ip的
        request.meta["proxy"] = get_ip
        #例如
        #get_ip = GetIP() #這里的函數是傳值ip的
        #request.meta["proxy"] = 'http://110.73.54.0:8123'


#settings.py文件
DOWNLOADER_MIDDLEWARES = {
   'Lagou.middlewares.RandomProxyMiddleware':542,
   'Lagou.middlewares.RandomUserAgentMiddleware': 543,
   'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None, #這里要設置原來的scrapy的useragent為None，否者會被覆蓋掉
}

1.sql語言取出隨機記錄：在此是隨機取出一條記錄是ip和端口組成代理IP

select ip,port from proxy_ip
order by rand()
limit 1

2.使用xpath選擇器：

可以使用scrapy中的selector，代碼如下：

from scrapy.selector import Selector
html=requests.get(url)
Selector=Selector(text=html.text)
Selector.xpath()

3.if __name__ == "__main__"問題

如果沒有這個，調用時會默認運行以下命令

 if __name__ == "__main__":
     get_ip=GetIp()
     get_ip.get_random_ip()

7-9 雲打碼實現驗證碼識別

驗證碼識別方法

1. 編碼實現（tesseract-ocr）
2. 在線打碼----打碼平台（雲打碼、若快）
3. 人工打碼

7-10 cookie禁用、自動限速、自定義spider的settings

如果用不到cookies的，就不要讓對方知道你的cookies--設置---COOKIES_ENABLED = False

自定義setting中的參數可以這樣寫：

#在spider.py文件中
custom_settings={
     "COOKIES_ENABLED":True,
      "":"",
      "":"",
}

作者：今孝

出處：http://www.cnblogs.com/jinxiao-pu/p/6762636.html

本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接。