scrapy——4 —反爬措施—logging—重要参数—POST请求发送实战

scrapy——4

1. 常用的反爬虫策略有哪些
2. 怎样使用logging设置
3. Resquest/Response重要参数有哪些
4. Scrapy怎么发送POST请求

---

• 动态的设置User-Agent（随即切换User-Agent，模拟不同的用户的浏览器信息）
• 禁用Cookies（也就是不启用cookies middleware，不向Server发送cookies的使用发现爬虫行为）可以通过COOKIES_ENABLED控制CookiesMiddleware开启或关闭
• 设置延迟下载（防止访问过于频繁，设置为2秒或者更高）
• Google Cache 和 BaiduCache：如果可能的话，使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据。
• 使用Ip地址池：；VPN和代理IP，现在大部分网站都是根据IP来反爬的

Log levels——Scrapy提供5层loggin等级：

• CRITICAL - 严重错误(critical)
• ERROR - 一般错误(regular errors)
• WARNING - 警告信息(warning messages)
• INFO - 一般信息(informational messages)
• DEBUG - 调试信息(debugging messages)

logging设置：

通过在setting.py中进行以下设置可以被用来配置logging:

• LOG_ENABLED 默认: True，启用logging
• LOG_ENCODING 默认: 'utf-8'，logging使用的编码
• LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名
• LOG_LEVEL 默认: 'DEBUG'，log的最低级别
• LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。
• 在尝试运行代码时，这样输入  scrapy crawl xxxx --nolog  输出时不会弹出logging信息

• url: 就是需要请求，并进行下一步处理的url

• callback: 指定该请求返回的Response，由那个函数来处理。
• method: 请求一般不需要指定，默认GET方法，可设置为"GET", "POST", "PUT"等，且保证字符串大写
• headers: 请求时，包含的头文件。一般不需要
• meta: 比较常用，在不同的请求之间传递数据使用的。字典dict型
• encoding: 使用默认的 'utf-8' 就行。
• dont_filter: 表明该请求不由调度器过滤。这是当你想使用多次执行相同的请求,忽略重复的过滤器。默认为False。

• status: 响应码
• _set_body(body)： 响应体
• _set_url(url)：响应url

实战—    豆瓣登陆

• 先创建项目

• douban_login\settings.py    设置请求头以及你的账号和密码（setting中）

• douban_login\spiders\douban_spider.py    写代码

  # -*- coding: utf-8 -*-
  import scrapy
  from ..settings import username, password
  
  class DoubanSpiderSpider(scrapy.Spider):
      name = 'douban_spider'
      allowed_domains = ['douban.com']
      start_urls = ['https://accounts.douban.com/login']
  
      def start_requests(self):
          data = {    # POST请求多要携带的数据，由formdata传递
              'source': 'index_nav',
              'form_email': username,
              'form_password': password,
          }
          yield scrapy.FormRequest(url=self.start_urls[0], formdata=data, callback=self.login_after)
  
      def login_after(self, response):
          print(response.url)
          user = response.xpath('//a[@class="bn-more"]/span/text()').extract_first() # 获取用户姓名，方便确认登陆是或否成功
  
          print('当前用户:%s'%user)
  
  '''
  douban_login$ scrapy crawl douban_spider --nolog
  https://www.douban.com/
  当前用户:pywjh的帐号
  '''

实战二——gethub登陆

方法雷同，在setting中设置用户名和密码，需要注意的是，gethub有一个令牌的反爬措施，需要get请求一个登陆页面获取令牌，再POST请求登陆

# -*- coding: utf-8 -*-
from ..settings import username, password

import scrapy

class GithubSpider(scrapy.Spider):
    name = 'github'
    allowed_domains = ['github.com']
    start_urls = ['https://github.com/login']

    def parse(self, response):
        token = response.xpath("//input[@name='authenticity_token']/@value").extract_first()
        data = {
            'utf8': '✓',
            'authenticity_token': token,
            'login': username,
            'password': password,
            'commit': 'Sign in',
        }
        yield  scrapy.FormRequest(
            url='https://github.com/session',
            formdata=data,
            callback=self.parse_item)

    def parse_item(self,response):
        name = response.xpath('//*[@id="user-links"]/li[3]/details/summary/img/@alt').extract_first().replace('@', '')
        print('当前用户：%s'%name)