首页 > 代码库 > 第7章 Scrapy突破反爬虫的限制
第7章 Scrapy突破反爬虫的限制
7-1 爬虫和反爬的对抗过程以及策略
Ⅰ、爬虫和反爬虫基本概念
- 爬虫：自动获取网站数据的程序，关键是批量的获取。
- 反爬虫：使用技术手段防止爬虫程序的方法。
- 误伤：反爬虫技术将普通用户识别为爬虫，如果误伤过高，效果再高也不能用。
- 成本：反爬虫需要的人力和机器成本。
- 拦截：成功拦截爬虫，一般拦截率越高，误伤率越高。
Ⅱ、反爬虫的目的
- 初级爬虫----简单粗暴，不管服务器压力，容易弄挂网站。
- 数据保护
- 失控的爬虫----由于某些情况下，忘记或者无法关闭的爬虫。
- 商业竞争对手
Ⅲ、爬虫和反爬虫对抗过程
7-2 scrapy架构源码分析
原理图：
我最早接触scrapy的时候就是看这张原理图，如下图
现在有新的原理图，更加直观，如下图
看了视频讲的源码解析，看一遍根本看不懂，后期还要多看叫上项目的练习才行。
7-3 Requests和Response介绍
可以看scrapy文档： http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html 查看相关的说明即可。
模拟登陆后，Request会自动传递cookies,不用我们添加。
7-4~5 通过downloadmiddleware随机更换user-agent
这是个模版以后直接拿来用即可
1 #middlewares.py文件 2 from fake_useragent import UserAgent #这是一个随机UserAgent的包，里面有很多UserAgent 3 class RandomUserAgentMiddleware(object): 4 def __init__(self, crawler): 5 super(RandomUserAgentMiddleware, self).__init__() 6 7 self.ua = UserAgent() 8 self.ua_type = crawler.settings.get(‘RANDOM_UA_TYPE‘, ‘random‘) #从setting文件中读取RANDOM_UA_TYPE值 9 10 @classmethod11 def from_crawler(cls, crawler):12 return cls(crawler)13 14 def process_request(self, request, spider):15 def get_ua():16 ‘‘‘Gets random UA based on the type setting (random, firefox…)‘‘‘17 return getattr(self.ua, self.ua_type) 18 19 user_agent_random=get_ua()20 request.headers.setdefault(‘User-Agent‘, user_agent_random) #这样就是实现了User-Agent的随即变换
1 #settings.py文件2 DOWNLOADER_MIDDLEWARES = {3 ‘Lagou.middlewares.RandomUserAgentMiddleware‘: 543,4 ‘scrapy.downloadermiddlewares.useragent.UserAgentMiddleware‘:None, #这里要设置原来的scrapy的useragent为None，否者会被覆盖掉5 }6 RANDOM_UA_TYPE=‘random‘
7-6~8 scrapy实现ip代理池
这是个模版以后直接拿来用即可
1 #middlewares.py文件 2 class RandomProxyMiddleware(object): 3 ‘‘‘动态设置ip代理‘‘‘ 4 def process_request(self,request,spider): 5 get_ip = GetIP() #这里的函数是传值ip的 6 request.meta["proxy"] = get_ip 7 #例如 8 #get_ip = GetIP() #这里的函数是传值ip的 9 #request.meta["proxy"] = ‘http://110.73.54.0:8123‘10 11 12 #settings.py文件13 DOWNLOADER_MIDDLEWARES = {14 ‘Lagou.middlewares.RandomProxyMiddleware‘:542,15 ‘Lagou.middlewares.RandomUserAgentMiddleware‘: 543,16 ‘scrapy.downloadermiddlewares.useragent.UserAgentMiddleware‘:None, #这里要设置原来的scrapy的useragent为None，否者会被覆盖掉17 }
1.sql语言取出随机记录：在此是随机取出一条记录是ip和端口组成代理IP
1 select ip,port from proxy_ip2 order by rand()3 limit 1
2.使用xpath选择器：
可以使用scrapy中的selector，代码如下：
1 from scrapy.selector import Selector2 html=requests.get(url)3 Selector=Selector(text=html.text)4 Selector.xpath()
3.if __name__ == "__main__"问题
如果没有这个，调用时会默认运行以下命令
1 if __name__ == "__main__":2 get_ip=GetIp()3 get_ip.get_random_ip()
7-9 云打码实现验证码识别
验证码识别方法
- 编码实现（tesseract-ocr）
- 在线打码----打码平台（云打码、若快）
- 人工打码
7-10 cookie禁用、自动限速、自定义spider的settings
如果用不到cookies的，就不要让对方知道你的cookies--设置---COOKIES_ENABLED = False
自定义setting中的参数可以这样写：
1 #在spider.py文件中2 custom_settings={3 "COOKIES_ENABLED":True,4 "":"",5 "":"",6 }
作者：今孝
出处：http://www.cnblogs.com/jinxiao-pu/p/6762636.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。
第7章 Scrapy突破反爬虫的限制
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。