本篇內(nèi)容主要講解“Python爬蟲反反爬的策略有哪些”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“Python爬蟲反反爬的策略有哪些”吧!
峰峰礦網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)公司！從網(wǎng)頁設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站等網(wǎng)站項(xiàng)目制作，到程序開發(fā)，運(yùn)營維護(hù)。創(chuàng)新互聯(lián)公司成立于2013年到現(xiàn)在10年的時(shí)間，我們擁有了豐富的建站經(jīng)驗(yàn)和運(yùn)維經(jīng)驗(yàn)，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)公司。
爬蟲采集成為很多公司企業(yè)個(gè)人的需求，但正因?yàn)槿绱?，反爬蟲的技術(shù)也層出不窮，像時(shí)間限制、IP限制、驗(yàn)證碼限制等等，都可能會導(dǎo)致爬蟲無法進(jìn)行。所以以下是一些防止爬蟲被反爬的幾個(gè)主要策略。
動態(tài)設(shè)置User-Agent（隨機(jī)切換User-Agent，模擬不同用戶的瀏覽器信息，可以使用組件scrapy-random-useragent）
禁用Cookies（對于簡單網(wǎng)站可以不啟用cookies middleware，不向Server發(fā)送cookies，有些網(wǎng)站通過cookie的使用發(fā)現(xiàn)爬蟲行為）可以通過COOKIES_ENABLED 控制 CookiesMiddleware 開啟或關(guān)閉
啟用Cookies（對于復(fù)雜網(wǎng)站，需要使用無頭瀏覽器scrapy-splash獲取js生成的復(fù)雜cookies
設(shè)置延遲下載（防止訪問過于頻繁，設(shè)置為 2秒 或更高）
Google Cache 和 Baidu Cache：如果可能的話，使用谷歌/百度等搜索引擎服務(wù)器頁面緩存獲取頁面數(shù)據(jù)。
Referer 使用假的來源，比如百度帶關(guān)鍵詞的鏈接
使用IP地址池：現(xiàn)在大部分網(wǎng)站都是根據(jù)IP來ban的，可以通過億牛云海量定制代理理池突破
使用 億牛云爬蟲代理組件代碼。
重慶分公司
重慶分公司
#! -*- encoding:utf-8 -*- import base64 import sys import random PY3 = sys.version_info[0] >= 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode('utf8') else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode('ascii') else: return output_bytes class ProxyMiddleware(object):
def process_request(self, request, spider): # 代理服務(wù)器(產(chǎn)品官網(wǎng) www.16yun.cn) proxyHost = "t.16yun.cn" proxyPort = "31111" # 代理隧道驗(yàn)證信息 proxyUser = "username" proxyPass = "password" request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort) # 添加驗(yàn)證頭 encoded_user_pass = base64ify(proxyUser + ":" + proxyPass) request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass # 設(shè)置IP切換頭(根據(jù)需求) tunnel = random.randint(1,10000) request.headers['Proxy-Tunnel'] = str(tunnel)修改項(xiàng)目配置文件 (./項(xiàng)目名/settings.py)
DOWNLOADER_MIDDLEWARES = {
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware':
110,
'項(xiàng)目名.middlewares.ProxyMiddleware':
100,
}設(shè)置下載中間件（Downloader Middlewares）
下載中間件是處于引擎(crawler.engine)和下載器(crawler.engine.download())之間的一層組件，可以有多個(gè)下載中間件被加載運(yùn)行。
當(dāng)引擎?zhèn)鬟f請求給下載器的過程中，下載中間件可以對請求進(jìn)行處理 （例如增加http header信息，增加proxy信息等）；
在下載器完成http請求，傳遞響應(yīng)給引擎的過程中， 下載中間件可以對響應(yīng)進(jìn)行處理（例如進(jìn)行g(shù)zip的解壓等）
要激活下載器中間件組件，將其加入到 DOWNLOADER_MIDDLEWARES 設(shè)置中。 該設(shè)置是一個(gè)字典(dict)，鍵為中間件類的路徑，值為其中間件的順序(order)。
這里是一個(gè)例子:
DOWNLOADER_MIDDLEWARES = { 'mySpider.middlewares.MyDownloaderMiddleware': 543,}編寫下載器中間件十分簡單。每個(gè)中間件組件是一個(gè)定義了以下一個(gè)或多個(gè)方法的Python類:
class scrapy.contrib.downloadermiddleware.DownloaderMiddleware
當(dāng)每個(gè)request通過下載中間件時(shí)，該方法被調(diào)用。
process_request() 必須返回以下其中之一：一個(gè) None 、一個(gè) Response 對象、一個(gè) Request 對象或raise IgnoreRequest:
如果其返回 None ，Scrapy將繼續(xù)處理該request，執(zhí)行其他的中間件的相應(yīng)方法，直到合適的下載器處理函數(shù)(download handler)被調(diào)用， 該request被執(zhí)行(其response被下載)。
如果其返回 Response 對象，Scrapy將不會調(diào)用 任何 其他的 process_request() 或process_exception() 方法，或相應(yīng)地下載函數(shù)； 其將返回該response。 已安裝的中間件的process_response() 方法則會在每個(gè)response返回時(shí)被調(diào)用。
如果其返回 Request 對象，Scrapy則停止調(diào)用process_request方法并重新調(diào)度返回的request。當(dāng)新返回的request被執(zhí)行后，相應(yīng)地中間件鏈將會根據(jù)下載的response被調(diào)用。
如果其raise一個(gè) IgnoreRequest 異常，則安裝的下載中間件的 process_exception() 方法會被調(diào)用。如果沒有任何一個(gè)方法處理該異常， 則request的errback(Request.errback)方法會被調(diào)用。如果沒有代碼處理拋出的異常， 則該異常被忽略且不記錄(不同于其他異常那樣)。
參數(shù):
request (Request 對象) – 處理的request
spider (Spider 對象) – 該request對應(yīng)的spider
當(dāng)下載器完成http請求，傳遞響應(yīng)給引擎的時(shí)候調(diào)用
process_request() 必須返回以下其中之一: 返回一個(gè) Response 對象、 返回一個(gè) Request 對象或raise一個(gè) IgnoreRequest 異常。
如果其返回一個(gè) Response (可以與傳入的response相同，也可以是全新的對象)， 該response會被在鏈中的其他中間件的 process_response() 方法處理。
如果其返回一個(gè) Request 對象，則中間件鏈停止， 返回的request會被重新調(diào)度下載。處理類似于 process_request() 返回request所做的那樣。
如果其拋出一個(gè) IgnoreRequest 異常，則調(diào)用request的errback(Request.errback)。 如果沒有代碼處理拋出的異常，則該異常被忽略且不記錄(不同于其他異常那樣)。
參數(shù):
request (Request 對象) – response所對應(yīng)的request
response (Response 對象) – 被處理的response
spider (Spider 對象) – response所對應(yīng)的spider
使用案例：
1. 創(chuàng)建middlewares.py文件。
Scrapy代理IP、Uesr-Agent的切換都是通過DOWNLOADER_MIDDLEWARES進(jìn)行控制，我們在settings.py同級目錄下創(chuàng)建middlewares.py文件，包裝所有請求。
# middlewares.py#!/usr/bin/env python# -*- coding:utf-8 -*-import randomimport base64from settings import USER_AGENTSfrom settings import PROXIES# 隨機(jī)的User-Agentclass RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) request.headers.setdefault("User-Agent", useragent)class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy['user_passwd'] is None: # 沒有代理賬戶驗(yàn)證的代理使用方式 request.meta['proxy'] = "http://" + proxy['ip_port'] else: # 對賬戶密碼進(jìn)行base64編碼轉(zhuǎn)換 base64_userpasswd = base64.b64encode(proxy['user_passwd']) # 對應(yīng)到代理服務(wù)器的信令格式里 request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port']為什么HTTP代理要使用base64編碼：
HTTP代理的原理很簡單，就是通過HTTP協(xié)議與代理服務(wù)器建立連接，協(xié)議信令中包含要連接到的遠(yuǎn)程主機(jī)的IP和端口號，如果有需要身份驗(yàn)證的話還需要加上授權(quán)信息，服務(wù)器收到信令后首先進(jìn)行身份驗(yàn)證，通過后便與遠(yuǎn)程主機(jī)建立連接，連接成功之后會返回給客戶端200，表示驗(yàn)證通過，就這么簡單，下面是具體的信令格式：
CONNECT 59.64.128.198:21 HTTP/1.1Host: 59.64.128.198:21Proxy-Authorization: Basic bGV2I1TU5OTIzUser-Agent: OpenFetion
其中Proxy-Authorization是身份驗(yàn)證信息，Basic后面的字符串是用戶名和密碼組合后進(jìn)行base64編碼的結(jié)果，也就是對username:password進(jìn)行base64編碼。
HTTP/1.0 200 Connection established
OK，客戶端收到收面的信令后表示成功建立連接，接下來要發(fā)送給遠(yuǎn)程主機(jī)的數(shù)據(jù)就可以發(fā)送給代理服務(wù)器了，代理服務(wù)器建立連接后會在根據(jù)IP地址和端口號對應(yīng)的連接放入緩存，收到信令后再根據(jù)IP地址和端口號從緩存中找到對應(yīng)的連接，將數(shù)據(jù)通過該連接轉(zhuǎn)發(fā)出去。
2. 修改settings.py配置USER_AGENTS和PROXIES
添加USER_AGENTS：
USER_AGENTS = ["Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)","Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)","Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)","Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6","Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0","Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"]
添加代理IP設(shè)置PROXIES：
代理IP可以購買億牛云的爬蟲代理IP：
PROXIES = [ {'ip_port': 't.16yun.cn:31111', 'user_passwd': '16yun:16yun'}, {'ip_port': 't.16yun.cn:31112', 'user_passwd': '16yun:16yun'}]除非特殊需要，禁用cookies，防止某些網(wǎng)站根據(jù)Cookie來封鎖爬蟲。COOKIES_ENABLED = False
設(shè)置下載延遲DOWNLOAD_DELAY = 3
最后設(shè)置setting.py里的DOWNLOADER_MIDDLEWARES，添加自己編寫的下載中間件類。
DOWNLOADER_MIDDLEWARES = { #'mySpider.middlewares.MyCustomDownloaderMiddleware': 543, 'mySpider.middlewares.RandomUserAgent': 1, 'mySpider.middlewares.ProxyMiddleware': 100 }到此，相信大家對“Python爬蟲反反爬的策略有哪些”有了更深的了解，不妨來實(shí)際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！
