Scrapy反爬

1，随机更换 user-agent：

将足够多的user-agent放在settings中，在parse方法中调用

缺点：每一个request中都要调用这个方法

这个是scrapy的流程图。

既然每一次下载都需要通过中间件，那么为什么不写在中间件里面呢？

scrapy怎么写呢？

在官方文档中可以知道，需要处理的是三个个方式

1，process_request(request, spider)

2，process_response(request, response, spider)

3， process_ exception(request, exception, spider)

当然在github上面已经有人写过随机更换user-agent了

在github上面搜索fake-useragent即可

pip install fake-useragent

首先进入python的交互环境，引入并实例化对象。

注意的是，这个里面即使使用同一个浏览器他的useragent都是不一样的，这样就满足要求了

每一次需要指定浏览器类型还是比较麻烦，在这个里面有一个好的方法random

>>> ua.random
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1664.3 Safari/537.36'
>>> ua.random
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.116 Safari/537.36 Mozilla/5.0 (iPad; U; CPU OS 3_2 like Mac OS X; en-us) AppleWebKit/531.21.10 (KHTML, like Gecko) Version/4.0.4 Mobile/7B334b Safari/531.21.10'
>>> ua.random
'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36'

这样他就可以随机生成浏览器的请求头了，就没有必要专门在settings中维护user-agent了

from fake_useragent import UserAgent


class RandomUserAgentMiddleware(object):
    def __init__(self, crawler):
        super(RandomUserAgentMiddleware, self).__init__()  # 使用父类的方法来进行初始化

        self.ua = UserAgent()
        self.per_proxy = crawler.settings.get('RANDOM_UA_PER_PROXY', False)
        self.ua_type = crawler.settings.get('RANDOM_UA_TYPE', 'random')
        self.proxy2ua = {}

    @classmethod
    def from_crawler(cls, crawler):  # 传递爬虫信息
        return cls(crawler)

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

        if self.per_proxy:
            proxy = request.meta.get('proxy')
            if proxy not in self.proxy2ua:
                self.proxy2ua[proxy] = get_ua()
                logger.debug('Assign User-Agent %s to Proxy %s'
                             % (self.proxy2ua[proxy], proxy))
            request.headers.setdefault('User-Agent', self.proxy2ua[proxy])
        else:
            ua = get_ua()
            request.headers.setdefault('User-Agent', get_ua())

在settings中配置需要哪种类型的agent，是随机选择ie还是Firefox，还是Chrome

还是随机任意一个

RANDOM_UA_PER_PROXY = 'random'

当然在这个地方会遇到问题就是self.ua.self.ua_type还可以成立吗，当然不行，因为python是一门动态语言，支持，函数中定义函数、

相当于闭包的一个特性 

 

 

2，代理IP  （尽量不要让自己本机的IP被封，因为本机IP效果最好,西刺高匿代理IP）

1，买了亚马逊等除了阿里云的服务器，动态分配IP

2，通过request.meta['proxy']="https://^^^^^^^"

3，设置代理池

如何获取呢？写个爬虫爬取西刺高匿的IP代理嘛

------------------------------

安装scrapy_proxies库，pip install scrapy_proxies即可，

收费的有scrapy-crawlera

或者使用tor洋葱浏览器

 

 

3，在线打码平台（云打码）

4，配置Scrapy，降低被封几率

① cookies的禁用

settings中有一个参数，COOKIES_ENABLED = True，对于一些不需要登录的网站就可以设置为False，但是对于像知乎之类的需要登录的网站就不行

② 控制下载的速度

https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/autothrottle.html

AUTOTHROTTLE_ENABLED = True  # 如果设置为False的话，默认不开启间隔下载
DOWNLOAD_DELAY = 3  # 默认下载时间3s

 ③ 根据不同的spider设定不同的settings值

我们在源码中可以看到，这里面有个custom_settings默认为None

在update_settings这个类方法中可以看到类调用了custom_settings，所以，我们可以根据不同的爬虫，在settings中定制不同的custom_settings

把所需要的参数给传递进去即可。

custom_settings = {
        "COOKIES_ENABLED": True
    }