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

1. 爬虫：自动获取网站数据的程序，关键是批量的获取。
2. 反爬虫：使用技术手段防止爬虫程序的方法。
3. 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。
4. 成本：反爬虫需要的人力和机器成本。
5. 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

1. 初级爬虫----简单粗暴，不管服务器压力，容易弄挂网站。
2. 数据保护
3. 失控的爬虫----由于某些情况下，忘记或者无法关闭的爬虫。
4. 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

 #middlewares.py文件
 from fake_useragent import UserAgent #这是一个随机UserAgent的包，里面有很多UserAgent
 class RandomUserAgentMiddleware(object):
     def __init__(self, crawler):
         super(RandomUserAgentMiddleware, self).__init__()

         self.ua = UserAgent()
         self.ua_type = crawler.settings.get('RANDOM_UA_TYPE', 'random') #从setting文件中读取RANDOM_UA_TYPE值

     @classmethod
     def from_crawler(cls, crawler):
         return cls(crawler)

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

         user_agent_random=get_ua()
         request.headers.setdefault('User-Agent', user_agent_random) #这样就是实现了User-Agent的随即变换

 #settings.py文件
 DOWNLOADER_MIDDLEWARES = {
    'Lagou.middlewares.RandomUserAgentMiddleware': 543,
    '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
 }
 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

 #middlewares.py文件
 class RandomProxyMiddleware(object):
     '''动态设置ip代理'''
     def process_request(self,request,spider):
         get_ip = GetIP() #这里的函数是传值ip的
         request.meta["proxy"] = get_ip
         #例如
         #get_ip = GetIP() #这里的函数是传值ip的
         #request.meta["proxy"] = 'http://110.73.54.0:8123'

 #settings.py文件
 DOWNLOADER_MIDDLEWARES = {
    'Lagou.middlewares.RandomProxyMiddleware':542,
    'Lagou.middlewares.RandomUserAgentMiddleware': 543,
    '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
 }

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

 select ip,port from proxy_ip
 order by rand()
 limit 1

2.使用xpath选择器：

可以使用scrapy中的selector，代码如下：

 from scrapy.selector import Selector
 html=requests.get(url)
 Selector=Selector(text=html.text)
 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

  if __name__ == "__main__":
      get_ip=GetIp()
      get_ip.get_random_ip()

7-9 云打码实现验证码识别

验证码识别方法

1. 编码实现（tesseract-ocr）
2. 在线打码----打码平台（云打码、若快）
3. 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：

 #在spider.py文件中
 custom_settings={
      "COOKIES_ENABLED":True,
       "":"",
       "":"",
 }

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。