Python Scrapy突破反爬蟲機制（項目實踐）

對於 BOSS 直聘這種網站，當程序請求網頁后，服務器響應內容包含了整個頁面的 HTML 源代碼，這樣就可以使用爬蟲來爬取數據。但有些網站做了一些“反爬蟲”處理，其網頁內容不是靜態的，而是使用 JavaScript 動態加載的，此時的爬蟲程序也需要做相應的改進。

使用 shell 調試工具分析目標站點

本項目爬取的目標站點是 https://unsplash.com/，該網站包含了大量高清、優美的圖片。本項目的目標是爬蟲程序能自動識別並下載該網站上的所有圖片。

在開發該項目之前，依然先使用 Firefox 瀏覽該網站，然后查看該網站的源代碼，將會看到頁面的 <body.../> 元素幾乎是空的，並沒有包含任何圖片。

現在使用 Scrapy 的 shell 調試工具來看看該頁面的內容。在控制台輸入如下命令，啟動 shell 調試：

scrapy shell https://unsplash.com/

　　

執行上面命令，可以看到 Scrapy 成功下載了服務器響應數據。接下來，通過如下命令來嘗試獲取所有圖片的 src 屬性（圖片都是 img 元素，src 屬性指定了圖片的 URL）：

response.xpath('//img/@src').extract()

執行上面命令，將會看到返回一系列圖片的URL，但它們都不是高清圖片的 URL。

還是通過"Ctrl+Shift+I"快捷鍵打開 Firefox 的調試控制台，再次向 https://unsplash.com/ 網站發送請求，接下來可以在 Firefox 的調試控制台中看到如圖 1 所示的請求。

圖 1 動態獲取圖片的請求

可見，該網頁動態請求圖片的 URL 如下：

https://unsplash.com/napi/photos?page=4&per_page=12

上面 URL 中的 page 代表第幾頁，per_page 代表每頁加載的圖片數。使用 Scrapy 的 shell 調試工具來調試該網址，輸入如下命令：

scrapy shell https://unsplash.com/napi/photos?page=1&per_page=10

　　

上面命令代表請求第 1 頁，每頁顯示 10 張圖片的響應數據。執行上面命令，服務器響應內容是一段 JSON 數據，接下來在 shell 調試工具中輸入如下命令：

>>> import json
>>> len(json.loads(response.text))
10

　　

從上面的調試結果可以看到，服務器響應內容是一個 JSON 數組（轉換之后對應於 Python 的 list 列表），且該數組中包含 10 個元素。

使用 Firefox 直接請求 https://unsplash.com/napi/photos?page=1&per_page=12 地址（如果希望使用更專業的工具，則可選擇 Postman），可以看到服務器響應內容如圖 2 所示。

圖 2 服務器響應的JSON 數據

在圖 2 所示為所有圖片的 JSON 數據，每張圖片數據都包含 id、created_at（創建時間）、updated_at（更新時間）、width（圖片寬度）、height（圖片高度）等基本信息和一個 links 屬性，該屬性值是一個對象（轉換之后對應於 Python 的 dict），它包含了 self、html、download、download_location 屬性，其中 self 代表瀏覽網頁時的圖片的 URL；而 download 才是要下載的高清圖片的 URL。

網絡爬蟲畢竟是針對別人的網站“爬取” 數據的，而目標網站的結構隨時可能發生改變，讀者應該學習這種分析方法，而不是“生搬硬套”照抄本節的分析結果。

嘗試在 shell 調試工具中查看第一張圖片的下載 URL，應該在 shell 調試工具中輸入如下命令：

>>> json.loads(response.text)[0]['links']['download']
'https://unsplash.com/photos/-RMY4j97SsM/download'

　　

與圖 2 中 JSON 數據對比不難看出，shell 調試工具輸出的第一張圖片的下載 URL 與圖 2 所顯示的第一張圖片的下載 URL 完全相同。

由此得到一個結論，該網頁加載時會自動向 https://unsplash.com/napi/photos?age=N&per_page=N 發送請求，然后根據服務器響應的 JSON 數據來動態加載圖片。

由於該網頁是“瀑布流”設計（所謂“瀑布流”設計，就是網頁沒有傳統的分頁按鈕，而是讓用戶通過滾動條來實現分頁，當用戶向下拖動滾動條時，程序會動態載入新的分頁），
當我們在 Firefox 中拖動滾動條時，可以在 Firefox 的調試控制台中看到再次向 https://unsplash.com/napi/photos?page=N&per_page=N 發送了請求，
只是 page 參數發生了改變。可見，為了不斷地加載新的圖片，程序只要不斷地向該 URL 發送請求，並改變 page 參數即可。

 

經過以上分析，下面我們開始正式使用 Scrapy 來實現爬取高清圖片。

使用Scrapy 爬取高清圖片

按照慣例，使用如下命令來創建一個 Scrapy 項目：

scrapy startproject UnsplashimageSpider

 

然后在命令行窗口中進入 UnsplashlmageSpider 所在的目錄下（不要進入 UnsplashImageSpider\UnsplashImageSpider目錄下），執行如下命令來生成 Spider 類：

scrapy genspider unsplash_image 'unsplash.com

　　

上面兩個命令執行完成之后，一個簡單的 Scrapy 項目就創建好了。

接下來需要修改 UnsplashImageSpider\items.py、UnsplashImageSpider\pipelines.py、UnsplashImageSpider\spiders\unsplash_image.py、UnsplashImageSpider\settings.py 文件，將它們全部改為使用 UTF-8 字符集來保存。

現在按照如下步驟來開發該爬蟲項目：

1. 定義 Item 類。由於本項目的目標是爬取高清圖片，因此其所使用的 Item 類比較簡單，只要保存圖片 id 和圖片下載地址即可。
   
   下面是該項目的 Item 類的代碼：

   import scrapy
   class ImageItem(scrapy.Item):
   # 保存圖片id
   image_id = scrapy.Field()
   # 保存圖片下載地址
   download = scrapy.Field()
   

   　　

   上面程序為 Item 類定義了兩個變量，分別用於保存圖片 id 和圖片下載地址。
2. 開發 Spider。開發 Spider 就是指定 Scrapy 發送請求的 URL，並實現 parse(self, response) 方法來解析服務器響應數據。
   
   下面是該項目的 Spider 程序：

   import scrapy, json
   from UnsplashImageSpider.items import ImageItem
   class UnsplashImageSpider(scrapy.Spider):
   # 定義Spider的名稱
   name = 'unsplash_image'
   allowed_domains = ['unsplash.com']
   # 定義起始頁面
   start_urls = ['https://unsplash.com/napi/photos?page=1&per_page=12']
   def __init__ (self):
   self.page_index = 1
   def parse(self, response):
   # 解析服務器響應的JSON字符串
   photo_list = json.loads(response.text) # ①
   # 遍歷每張圖片
   for photo in photo_list:
   item = ImageItem()
   item['image_id'] = photo['id']
   item['download'] = photo['links']['download']
   yield item
   self.page_index += 1
   # 獲取下一頁的鏈接
   next_link = 'https://unsplash.com/napi/photos?page='\
   + str(self.page_index) + '&per_page=12'
   # 繼續獲取下一頁的圖片
   yield scrapy.Request(next_link, callback=self.parse)
   

   　　

   上面程序中第 9 行代碼指定的 URL 是本項目爬取的第一個頁面，由於該頁面的響應是一個 JSON 數據，因此程序無須使用 XPath 或 CSS 選擇器來“提取”數據，而是直接使用 json 模塊的 loads() 函數來加載該響應數據即可。
   
   在獲取 JSON 響應數據之后，程序同樣將 JSON 數據封裝成 Item 對象后返回給 Scrapy 引擎。
   

   Spider 到底應該使用 XPath 或 CSS 選擇器來提取響應數據，還是使用 JSON，完全取決於目標網站的響應內容，怎么方便怎么來！總之，提取到數據之后，將數據封裝成 Item 對象后返回給 Scrapy 引擎就對了。

   上面程序中倒數第 2 行代碼定義了加載下一頁數據的 URL，接下來使用 scrapy.Request 向該 URL 發送請求，並指定使用 self.parse 方法來處理服務器響應內容，這樣程序就可以不斷地請求下一頁的圖片數據。
3. 開發 Pipeline。Pipeline 負責保存 Spider 返回的 Item 對象（封裝了爬取到的數據）。本項目爬取的目標是圖片，因此程序得到圖片的 URL 之后，既可將這些 URL 地址導入專門的下載工具中批量下載，也可在 Python 程序中直接下載。
   
   本項目的 Pipeline 將使用 urllib.request 包直接下載。下面是該項目的 Pipeline 程序：
   

   from urllib.request import *
   class UnsplashimagespiderPipeline(object):
   def process_item(self, item, spider):
   # 每個item代表一個要下載的圖片
   print('----------' + item['image_id'])
   real_url = item['download'] + "?force=true"
   try:
   pass
   # 打開URL對應的資源
   with urlopen(real_url) as result:
   # 讀取圖片數據
   data = result.read()
   # 打開圖片文件
   with open("images/" + item['image_id'] + '.jpg', 'wb+') as f:
   # 寫入讀取的數據
   f.write(data)
   except:
   print('下載圖片出現錯誤' % item['image_id'])
   

   　　

   上面程序中第 7 行代碼用於拼接下載圖片的完整地址。可能有讀者會問，為何要在圖片下載地址的后面追加“?force=true”？這並不是本項目所能決定的，讀者可以把鼠標指針移動到 https://unsplash.com 網站中各圖片右下角的下載按鈕上，即可看到各圖片的下載地址都會在 download 后追加“?force=true”，此處只是模擬這種行為而已。
   
   程序中第 11 行代碼使用 urlopen() 函數獲取目標 URL 的數據，接下來即可讀取圖片數據，並將圖片數據寫入下載的目標文件中。
    

經過上面 3 步，基於 Scrapy 開發的高清圖片爬取程序基本完成。接下來依然需要對 settings.py 文件進行修改，即增加一些自定義請求頭（用於模擬瀏覽器），設置啟用指定的 Pipeline。下面是本項目修改后的 settings.py 文件：

BOT_NAME = 'UnsplashImageSpider'
SPIDER_MODULES = ['UnsplashImageSpider.spiders']
NEWSPIDER_MODULE = 'UnsplashImageSpider.spiders'
ROBOTSTXT_OBEY = True
# 配置默認的請求頭
DEFAULT_REQUEST_HEADERS = {
"User-Agent" : "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0",
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}
# 配置使用Pipeline
ITEM_PIPELINES = {
'UnsplashImageSpider.pipelines.UnsplashimagespiderPipeline': 300,
}

　　

至此，這個可以爬取高清圖片的爬蟲項目開發完成，讀者可以在 UnsplashlmageSpider 目錄下執行如下命令來啟動爬蟲。

scrapy crawl unsplash_image
#或者
scrapy runspider unsplash_image

　區別：

命令	說明	是否需要項目	示例
runspider	未創建項目的情況下，運行一個編寫在Python文件中的spider	no	$ scrapy runspider myspider.py
crawl	使用spider進行爬取	yes	$ scrapy crawl myspider

 

　

運行該爬蟲程序之后，可以看到在項目的 images 目錄下不斷地增加新的高清圖片（對圖片的爬取速度在很大程度上取決於網絡下載速度），這些高清圖片正是 https://unsplash.com 網站中所展示的圖片。