Python Scrapy突破反爬虫机制（项目实践）

对于 BOSS 直聘这种网站，当程序请求网页后，服务器响应内容包含了整个页面的 HTML 源代码，这样就可以使用爬虫来爬取数据。但有些网站做了一些“反爬虫”处理，其网页内容不是静态的，而是使用 JavaScript 动态加载的，此时的爬虫程序也需要做相应的改进。

使用 shell 调试工具分析目标站点

本项目爬取的目标站点是 https://unsplash.com/，该网站包含了大量高清、优美的图片。本项目的目标是爬虫程序能自动识别并下载该网站上的所有图片。

在开发该项目之前，依然先使用 Firefox 浏览该网站，然后查看该网站的源代码，将会看到页面的 <body.../> 元素几乎是空的，并没有包含任何图片。

现在使用 Scrapy 的 shell 调试工具来看看该页面的内容。在控制台输入如下命令，启动 shell 调试：

scrapy shell https://unsplash.com/

　　

执行上面命令，可以看到 Scrapy 成功下载了服务器响应数据。接下来，通过如下命令来尝试获取所有图片的 src 属性（图片都是 img 元素，src 属性指定了图片的 URL）：

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

执行上面命令，将会看到返回一系列图片的URL，但它们都不是高清图片的 URL。

还是通过"Ctrl+Shift+I"快捷键打开 Firefox 的调试控制台，再次向 https://unsplash.com/ 网站发送请求，接下来可以在 Firefox 的调试控制台中看到如图 1 所示的请求。

图 1 动态获取图片的请求

可见，该网页动态请求图片的 URL 如下：

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

上面 URL 中的 page 代表第几页，per_page 代表每页加载的图片数。使用 Scrapy 的 shell 调试工具来调试该网址，输入如下命令：

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

　　

上面命令代表请求第 1 页，每页显示 10 张图片的响应数据。执行上面命令，服务器响应内容是一段 JSON 数据，接下来在 shell 调试工具中输入如下命令：

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

　　

从上面的调试结果可以看到，服务器响应内容是一个 JSON 数组（转换之后对应于 Python 的 list 列表），且该数组中包含 10 个元素。

使用 Firefox 直接请求 https://unsplash.com/napi/photos?page=1&per_page=12 地址（如果希望使用更专业的工具，则可选择 Postman），可以看到服务器响应内容如图 2 所示。

图 2 服务器响应的JSON 数据

在图 2 所示为所有图片的 JSON 数据，每张图片数据都包含 id、created_at（创建时间）、updated_at（更新时间）、width（图片宽度）、height（图片高度）等基本信息和一个 links 属性，该属性值是一个对象（转换之后对应于 Python 的 dict），它包含了 self、html、download、download_location 属性，其中 self 代表浏览网页时的图片的 URL；而 download 才是要下载的高清图片的 URL。

网络爬虫毕竟是针对别人的网站“爬取” 数据的，而目标网站的结构随时可能发生改变，读者应该学习这种分析方法，而不是“生搬硬套”照抄本节的分析结果。

尝试在 shell 调试工具中查看第一张图片的下载 URL，应该在 shell 调试工具中输入如下命令：

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

　　

与图 2 中 JSON 数据对比不难看出，shell 调试工具输出的第一张图片的下载 URL 与图 2 所显示的第一张图片的下载 URL 完全相同。

由此得到一个结论，该网页加载时会自动向 https://unsplash.com/napi/photos?age=N&per_page=N 发送请求，然后根据服务器响应的 JSON 数据来动态加载图片。

由于该网页是“瀑布流”设计（所谓“瀑布流”设计，就是网页没有传统的分页按钮，而是让用户通过滚动条来实现分页，当用户向下拖动滚动条时，程序会动态载入新的分页），
当我们在 Firefox 中拖动滚动条时，可以在 Firefox 的调试控制台中看到再次向 https://unsplash.com/napi/photos?page=N&per_page=N 发送了请求，
只是 page 参数发生了改变。可见，为了不断地加载新的图片，程序只要不断地向该 URL 发送请求，并改变 page 参数即可。

 

经过以上分析，下面我们开始正式使用 Scrapy 来实现爬取高清图片。

使用Scrapy 爬取高清图片

按照惯例，使用如下命令来创建一个 Scrapy 项目：

scrapy startproject UnsplashimageSpider

 

然后在命令行窗口中进入 UnsplashlmageSpider 所在的目录下（不要进入 UnsplashImageSpider\UnsplashImageSpider目录下），执行如下命令来生成 Spider 类：

scrapy genspider unsplash_image 'unsplash.com

　　

上面两个命令执行完成之后，一个简单的 Scrapy 项目就创建好了。

接下来需要修改 UnsplashImageSpider\items.py、UnsplashImageSpider\pipelines.py、UnsplashImageSpider\spiders\unsplash_image.py、UnsplashImageSpider\settings.py 文件，将它们全部改为使用 UTF-8 字符集来保存。

现在按照如下步骤来开发该爬虫项目：

1. 定义 Item 类。由于本项目的目标是爬取高清图片，因此其所使用的 Item 类比较简单，只要保存图片 id 和图片下载地址即可。
   
   下面是该项目的 Item 类的代码：

   import scrapy
   class ImageItem(scrapy.Item):
   # 保存图片id
   image_id = scrapy.Field()
   # 保存图片下载地址
   download = scrapy.Field()
   

   　　

   上面程序为 Item 类定义了两个变量，分别用于保存图片 id 和图片下载地址。
2. 开发 Spider。开发 Spider 就是指定 Scrapy 发送请求的 URL，并实现 parse(self, response) 方法来解析服务器响应数据。
   
   下面是该项目的 Spider 程序：

   import scrapy, json
   from UnsplashImageSpider.items import ImageItem
   class UnsplashImageSpider(scrapy.Spider):
   # 定义Spider的名称
   name = 'unsplash_image'
   allowed_domains = ['unsplash.com']
   # 定义起始页面
   start_urls = ['https://unsplash.com/napi/photos?page=1&per_page=12']
   def __init__ (self):
   self.page_index = 1
   def parse(self, response):
   # 解析服务器响应的JSON字符串
   photo_list = json.loads(response.text) # ①
   # 遍历每张图片
   for photo in photo_list:
   item = ImageItem()
   item['image_id'] = photo['id']
   item['download'] = photo['links']['download']
   yield item
   self.page_index += 1
   # 获取下一页的链接
   next_link = 'https://unsplash.com/napi/photos?page='\
   + str(self.page_index) + '&per_page=12'
   # 继续获取下一页的图片
   yield scrapy.Request(next_link, callback=self.parse)
   

   　　

   上面程序中第 9 行代码指定的 URL 是本项目爬取的第一个页面，由于该页面的响应是一个 JSON 数据，因此程序无须使用 XPath 或 CSS 选择器来“提取”数据，而是直接使用 json 模块的 loads() 函数来加载该响应数据即可。
   
   在获取 JSON 响应数据之后，程序同样将 JSON 数据封装成 Item 对象后返回给 Scrapy 引擎。
   

   Spider 到底应该使用 XPath 或 CSS 选择器来提取响应数据，还是使用 JSON，完全取决于目标网站的响应内容，怎么方便怎么来！总之，提取到数据之后，将数据封装成 Item 对象后返回给 Scrapy 引擎就对了。

   上面程序中倒数第 2 行代码定义了加载下一页数据的 URL，接下来使用 scrapy.Request 向该 URL 发送请求，并指定使用 self.parse 方法来处理服务器响应内容，这样程序就可以不断地请求下一页的图片数据。
3. 开发 Pipeline。Pipeline 负责保存 Spider 返回的 Item 对象（封装了爬取到的数据）。本项目爬取的目标是图片，因此程序得到图片的 URL 之后，既可将这些 URL 地址导入专门的下载工具中批量下载，也可在 Python 程序中直接下载。
   
   本项目的 Pipeline 将使用 urllib.request 包直接下载。下面是该项目的 Pipeline 程序：
   

   from urllib.request import *
   class UnsplashimagespiderPipeline(object):
   def process_item(self, item, spider):
   # 每个item代表一个要下载的图片
   print('----------' + item['image_id'])
   real_url = item['download'] + "?force=true"
   try:
   pass
   # 打开URL对应的资源
   with urlopen(real_url) as result:
   # 读取图片数据
   data = result.read()
   # 打开图片文件
   with open("images/" + item['image_id'] + '.jpg', 'wb+') as f:
   # 写入读取的数据
   f.write(data)
   except:
   print('下载图片出现错误' % item['image_id'])
   

   　　

   上面程序中第 7 行代码用于拼接下载图片的完整地址。可能有读者会问，为何要在图片下载地址的后面追加“?force=true”？这并不是本项目所能决定的，读者可以把鼠标指针移动到 https://unsplash.com 网站中各图片右下角的下载按钮上，即可看到各图片的下载地址都会在 download 后追加“?force=true”，此处只是模拟这种行为而已。
   
   程序中第 11 行代码使用 urlopen() 函数获取目标 URL 的数据，接下来即可读取图片数据，并将图片数据写入下载的目标文件中。
    

经过上面 3 步，基于 Scrapy 开发的高清图片爬取程序基本完成。接下来依然需要对 settings.py 文件进行修改，即增加一些自定义请求头（用于模拟浏览器），设置启用指定的 Pipeline。下面是本项目修改后的 settings.py 文件：

BOT_NAME = 'UnsplashImageSpider'
SPIDER_MODULES = ['UnsplashImageSpider.spiders']
NEWSPIDER_MODULE = 'UnsplashImageSpider.spiders'
ROBOTSTXT_OBEY = True
# 配置默认的请求头
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，这个可以爬取高清图片的爬虫项目开发完成，读者可以在 UnsplashlmageSpider 目录下执行如下命令来启动爬虫。

scrapy crawl unsplash_image
#或者
scrapy runspider unsplash_image

　区别：

命令	说明	是否需要项目	示例
runspider	未创建项目的情况下，运行一个编写在Python文件中的spider	no	$ scrapy runspider myspider.py
crawl	使用spider进行爬取	yes	$ scrapy crawl myspider

 

　

运行该爬虫程序之后，可以看到在项目的 images 目录下不断地增加新的高清图片（对图片的爬取速度在很大程度上取决于网络下载速度），这些高清图片正是 https://unsplash.com 网站中所展示的图片。