scrapy绕过反爬虫
来源:互联网 发布:武藏点胶机编程 编辑:程序博客网 时间:2024/05/22 10:37
这里还是用scrapy框架写的爬虫。
最近才开始学习的,经过搜索了之后,常见的反爬虫方案大致有几个:
1.针对用户行为,常见的就是网站会针对ip访问频率统计,访问太过频繁,会禁止该ip地址的访问
2.判断Header,比如如果User-agent是爬虫或者检测工具,或者非正常的浏览器,就禁止该次连接
3.数据加载方式,采用ajax异步加载,这样只是爬取静态页面的话什么信息都没有办法得到
下面实现一下每一个方案的应对方案:
1.针对用户行为
针对用户行为基本上就是对ip地址的访问统计,还有同一个用户多次相同的行为什么的,不过这里是为了爬取url,基本不会有后者的情况。
可以采用代理ip来解决,写一个爬虫爬取免费的代理网站,获取到一批免费代理,然后每次都随机选一个就好了。
下面是爬取代理的代码,注意频率不要太高,免费的代理网站也是有反爬虫的。
# -*- coding: utf-8 -*-import scrapyimport timefrom scrapy.selector import Selectorclass Proxyspider(scrapy.Spider): name = 'proxy' allowed_domains = ['www.xicidaili.com'] start_urls = ['http://www.xicidaili.com/'] def start_requests(self): burl = "http://www.xicidaili.com/nn/" for i in range(1,5): yield scrapy.Request(url=burl+str(i), callback=self.parse) def parse(self, response): se = scrapy.Selector(response) cnt = 0 site = se.xpath('//tr') for s in site: content = s.xpath('.//td/text()').extract() if len(content) > 2: scheme = content[5] if scheme == 'HTTP' or scheme == 'HTTPS': print '%s://%s:%s'%(scheme.lower(), content[0], content[1])
免费的代理不一定能用,需要先做一下测试
# testproxy.py#encoding=utf8import urllibimport requestsimport sysif __name__ == "__main__": for url in sys.stdin: resp = requests.get(url) if resp.status_code == requests.codes.ok: print url
然后写个脚本,用crontab设置其定期运行,就可以愉快地更新代理啦。
# updateproxy.shset -xscrapy crawl proxy > tmpcat tmp > python updateproxy.sh > proxy
crontab设置为每15分钟运行更新一次
*/15 * * * * cd /home/qiqi/spider/urlspider/urlspider && sh updateproxy.sh
现在我们有了一批定期更新的代理了,需要在scrapy运行过程中加入代理就可以了。
可以在发送请求的时候加上,也可以添加一个中间件,这里是添加了中间件。
添加中间件的代码:
# middlewares.pyclass ProxyMiddleware(object): def process_request(self, request, spider): f = open("proxy", "r") proxy = f.readlines() # print request.headers try: request.meta['proxy'] = random.choice(proxy) except Exception, e: print >> sys.stderr, e
在设置setting.py中进行配置
DOWNLOADER_MIDDLEWARES = { 'tutorial.middlewares.ProxyMiddleware': 100,}
这就完成了代理配置了。
2.判断Header
对这个只需要在请求时都构造一个header就可以了。
user-agent:可以移步http://blog.csdn.net/bone_ace/article/details/52476016 这里提供了非常全的user-agent
referer:可以填上一个爬取的页面
myheader = { 'referer': response.url, 'user-agent': random.choice(UrlSpider.user_agent), #user_agent是从上面提到的文章中摘取的列表 }yield scrapy.Request(url, self.parse, headers=myheader)
3.数据加载方式
scrapy+splash可以爬取JS生成的动态页面
先安装splash
sudo pip install scrapy-splash
splash一般是运行在docker上面的,因此需要先下载docker
sudo apt-get install docker
然后拉取镜像运行
sudo docker pull scrapinghub/splashdocker run -p 8000:8000 scrapinghub/splash
在setting.py中配置splash
SPLASH_URL = 'http://127.0.0.1:8000'...DOWNLOADER_MIDDLEWARES = { 'tutorial.middlewares.ProxyMiddleware': 100,'scrapy_splash.SplashCookiesMiddleware': 723,'scrapy_splash.SplashMiddleware': 725,'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,}...SPIDER_MIDDLEWARES = {'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,}...DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'...HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
然后修改spiders,将scrapy.Request替换为SplashRequest
# -*- coding: utf-8 -*-import scrapyimport urlparseimport randomfrom urlspider.items import UrlspiderItemfrom scrapy.selector import Selectorfrom scrapy_splash import SplashRequestclass UrlSpider(scrapy.Spider): name = 'url' allowed_domains = ['opencv.org'] start_urls = ['http://opencv.org/'] result_urls = [] user_agent=[] black_list = ['.jpeg', '.jpg', '.png', '.gif', '.css', '.json', '.mp3', '.mp4', '.zip', '.tar.gz', '.rar', '.7z'] def start_requests(self): self.get_UA() for url in UrlSpider.start_urls: myheader = { 'referer': response.url, 'user-agent': random.choice(UrlSpider.user_agent), #user_agent是从上面提到的文章中摘取的列表 } yield SplashRequest(url, self.parse, args={'wait': 1.0}) def parse(self, response): item = UrlspiderItem() item['url'] = response.url se = Selector(response) result = set() site = se.xpath('//a/@href').extract() for s in site: tmpurl = urlparse.urljoin(response.url, s) if self.check_url(tmpurl): continue if tmpurl not in result: result.add(tmpurl) myheader = { 'referer': response.url, 'user-agent': random.choice(UrlSpider.user_agent), #user_agent是从上面提到的文章中摘取的列表 } for r in result: if r not in UrlSpider.result_urls: UrlSpider.result_urls.append(r) yield SplashRequest(url, self.parse, header=myheader, args={'wait': 1.0}) yield item def get_UA(self): for line in open('UA'): UrlSpider.user_agent.append(line) def check_url(self, url): tmp = urlparse.urlparse(url) res = False for i in UrlSpider.black_list: print tmp['path'] if i in tmp['path']: res = True return res return res
这样就可以获取到JS动态加载生成的页面了。
- scrapy绕过反爬虫
- scrapy: 使用HTTP代理绕过网站反爬虫机制
- scrapy: 使用HTTP代理绕过网站反爬虫机制
- 反反爬虫------设置scrapy随机user_agents
- 爬虫完美绕过服务器反爬检查
- scrapy简单的反爬虫方法总结
- 配置Nutch模拟浏览器以绕过反爬虫限制
- 第7章 Scrapy突破反爬虫的限制
- scrapy爬虫
- Scrapy 爬虫
- scrapy爬虫
- 爬虫-scrapy
- 反爬虫绕过初级——添加http header和gzip解压处理
- 爬虫绕过“登录页面”
- 反爬虫
- 反爬虫
- 反爬虫
- 反爬虫
- 进程同步之信号量机制(笔记三)
- Oracle SELECT INTO 和 INSERT INTO SELECT 两种表复制语句详解
- 欢迎使用CSDN-markdown编辑器
- ROCA漏洞卷土重来,可致各种设备密钥泄漏
- 2基于opencv的多通道分离和合并
- scrapy绕过反爬虫
- 《java web 设计模式之道》读后感之代理模式
- github莫名奇妙加载样式失败
- php通过socket,以SMTP发送邮件
- Android | 单例
- JVM知识点总览
- java监听、读取串口数据
- 神经网络入门
- 第三方广告平台admob聚合接入过程