如何让你的scrapy爬虫不再被ban之二（利用第三方平台crawlera做scrapy爬虫防屏蔽）

　　我们在做scrapy爬虫的时候，爬虫经常被ban是常态。然而前面的文章如何让你的scrapy爬虫不再被ban，介绍了scrapy爬虫防屏蔽的各种策略组合。前面采用的是禁用cookies、动态设置user agent、代理IP和VPN等一系列的措施组合来防止爬虫被ban。除此以外官方文档还介绍了采用Google cache和crawlera的方法。这里就着重介绍一下如何利用crawlera来达到爬虫不被ban的效果。crawlera是一个利用代理IP地址池来做分布式下载的第三方平台，除了scrapy可以用以外，普通的java、php、python等都可以通过curl的方式来调用。好了，下面入正题。

　　说明：

　　本文章是基于前面的一系列文章完成的，如果您错过了。可以在此查看：

　　安装python爬虫scrapy踩过的那些坑和编程外的思考

　　scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据

　　scrapy爬虫成长日记之将抓取内容写入mysql数据库

　　如何让你的scrapy爬虫不再被ban

　　crawlera官方网址：http://scrapinghub.com/crawlera/

　　crawlera帮助文档：http://doc.scrapinghub.com/crawlera.html

　　一、注册crawlera账号，获取crawlera API KEY

　　1、注册一个crawlera账号并激活

　　https://dash.scrapinghub.com/account/signup/

　　

　　填写好用户名，邮件和密码点击sign up即完成注册，收到注册确认邮件确认即可。

　　2、创建一个Organizations

　　

　　3、创建完Organizations后添加crawlera user

　　　　

　　

　　4、查看API key

　　

　　点击crawlera user的名称jack就可以查看API的详细信息了（key）

　　

 

　　至此，crawlera API的信息已经获取到了。

　　二、修改scrapy项目

　　下面看看怎么添加到scrapy项目

　　1、安装scrapy-crawlera

pip install scrapy-crawlera

　　2、修改settings.py

　　DOWNLOADER_MIDDLEWARES下添加配置项

'scrapy_crawlera.CrawleraMiddleware': 600 

　　其他配置项

CRAWLERA_ENABLED = True
CRAWLERA_USER = '<API key>'
CRAWLERA_PASS = '你crawlera账号的密码'

　　注意：由于之前的项目用了自定义代理的方式，因此DOWNLOADER_MIDDLEWARES下的

#'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110, #代理需要用到
#'cnblogs.middlewares.ProxyMiddleware': 100, #代理需要用到

　　这两个配置项要注释掉。

　　3、测试crawlera的抓取是否可用

scrapy crawl CnblogsSpider

　　4、查看结果

　　

　　这里可以看到crawlera已经正常工作了。

　　5、另外crawlera官网也可以查看抓取结果

　　

　　scrapy运用crawlera进行抓取就介绍到这里。另外crawlera还提供付费定制服务，如果经费充足也可以考虑付费定制scrapy的爬虫。

　　代码更新至此：https://github.com/jackgitgz/CnblogsSpider（提交到github的代码将api和password去掉了，如果想运行需要添加自己的key和password）

　　三、题外话：

　　如果你不是scrapy爬虫，而仅仅是想python调用，crawlera也提供了python直接调用的方法

　　1、通过request的方式

import requests

url = "http://twitter.com"
proxy = "paygo.crawlera.com:8010"
proxy_auth = "<API KEY>:"

proxies = {
    "http": "http://{0}@{1}/".format(proxy_auth, proxy)
}

headers = {
    "X-Crawlera-Use-HTTPS": 1
}

r = requests.get(url, proxies=proxies, headers=headers)

print("""
Requesting [{}]
through proxy [{}]

Response Time: {}
Response Code: {}
Response Headers:
{}

Response Body:
{}
""".format(url, proxy, r.elapsed.total_seconds(), r.status_code, r.headers, r.text))

　　2、request代理重写url

import requests
from requests.auth import HTTPProxyAuth

url = "https://twitter.com"
headers = {}
proxy_host = "paygo.crawlera.com"
proxy_auth = HTTPProxyAuth("<API KEY>", "")
proxies = {"http": "http://{}:8010/".format(proxy_host)}

if url.startswith("https:"):
    url = "http://" + url[8:]
    headers["X-Crawlera-Use-HTTPS"] = "1"

r = requests.get(url, headers=headers, proxies=proxies, auth=proxy_auth)

print("""
Requesting [{}]
through proxy [{}]

Response Time: {}
Response Code: {}
Response Headers:
{}

Response Body:
{}
""".format(url, proxy_host, r.elapsed.total_seconds(), r.status_code, 
           r.headers, r.text))

　　crawlera就介绍到这里，更多关于crawlera的内容可以参考官方文档：http://doc.scrapinghub.com/index.html