scrapy实战之与豆瓣反爬抗争

前言

scrapy是优秀的Python爬虫框架，最近在使用scrapy爬取豆瓣音乐信息时，着实被其反爬机制搞了一下。虽然豆瓣提供了各种API可以供我们提取信息，但是我就是要用爬虫爬你练手。

正文

常见的反爬机制有如下几种：

1.请求头检查，比如cookies，user-agent，refer，甚至Accept-Language等等，这也是最基本的反爬机制。

2.访问频次检查，如果一个ip在短时间内访问次服务器次数过于频繁，且cookies相同，则会被判定为机器人，你可能会被要求登录后再访问服务器或者输入验证码，甚至直接封禁你的ip。

3.验证码验证，爬虫无法轻易绕过这一关。

4.有些网页的元素是动态生成的，只有在js加载完成后才会显示。比如很多实用了Ajax的网站，都会有动态生成的元素。直接爬取页面将无法获取想要的元素。

5.表单安全措施，如服务器生成的随机变量加入字段检测，提交表单蜜罐等。所谓蜜罐简单来说就是骗机器人的一些表单，比如一下三种：

<a href='...' style='display:none;'> #看不见
<input type='hiden' ...> #隐藏
<input style='position:absolute; right:50000px;overflow-x:hidden;' ...> #右移50000像素，且隐藏滚动条，应该出电脑屏幕了，看不到

如果你有关于这些元素操作，就表明你是直接通过页面源码观察网页的，也可以说明你是机器人，至少不是正常人。

反反爬应对策略：

1.人为设置请求头，使用谷歌开发者工具F12查看Network可以看到Request Headers。不嫌麻烦可以把得到的请求头全部加入自己程序是request里边。

2.设置timesleep，或者download_delay等等，爬一会儿停一下，甚至可以设置随机爬取时间，使你的程序看起来更像人类，或者说不像机器人。有些网站不需要cookies，可以不设置。如果是封禁ip的话，可以设置ip代理池。

3.图像识别，文字识别，关键字OCR，多家公司都有免费产品可用。另外觉得不带劲可以自己训练一个，Google有一个开源的ocr库，就是大名鼎鼎的Tesseract，网上教程很多。

4.对于动态页面，最简单最直接的办法就是使用selenium，这本来是一个自动化测试的框架，不过用它可以真实模拟浏览器，所以可以采集js加载后的页面，配合无头浏览器PhantomJS就可以快速爬取动态页面了。（最新版本的selenium已经不支持PhantomJS了，小公司的创意终究还是倒下了，现在可以使用Headless Chrome，Headless Firefox等,或用旧版selenium）

5.还是使用selenium，因为它还可以模拟鼠标点击拖放等动作。且以真实浏览器视角观察页面，所以可以判断出蜜罐。来一个简单的判断超链接逻辑。

from selenium import webdriver
driver = webdriver.PhantomJS(executable_path='')
driver.get('http://')
links = driver.find_elements_by_tag_name('a')
for link in links:
    if not link.is_display():
        print('its not in the screen')

实战豆瓣

建立一个爬取豆瓣音乐评论