如何让你的scrapy爬虫不再被ban

如何让你的scrapy爬虫不再被ban

 

　　前面用scrapy编写爬虫抓取了自己博客的内容并保存成json格式的数据（scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据）和写入数据库（scrapy爬虫成长日记之将抓取内容写入mysql数据库）。然而，这个爬虫的功能还是过于弱小，一旦目标网站设置了爬虫的限制，我们的爬虫也就失效了。因此这里重点讲述一下如何避免scrapy爬虫被ban。本门的所有内容都是基于前面两篇文章的基础上完成的，如果您错过了可以点击此回看：scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据，scrapy爬虫成长日记之将抓取内容写入mysql数据库

　　根据scrapy官方文档：http://doc.scrapy.org/en/master/topics/practices.html#avoiding-getting-banned里面的描述，要防止scrapy被ban，主要有以下几个策略。

• 动态设置user agent
• 禁用cookies
• 设置延迟下载
• 使用Google cache
• 使用IP地址池（Tor project、VPN和代理IP）
• 使用Crawlera

　　由于Google cache受国内网络的影响，你懂得；Crawlera的分布式下载，我们可以在下次用一篇专门的文章进行讲解。所以本文主要从动态随机设置user agent、禁用cookies、设置延迟下载和使用代理IP这几个方式。好了，入正题：

　　1、创建middlewares.py

　　scrapy代理IP、user agent的切换都是通过DOWNLOADER_MIDDLEWARES进行控制，下面我们创建middlewares.py文件。

[root@bogon cnblogs]# vi cnblogs/middlewares.py

import random
import base64
from settings import PROXIES

class RandomUserAgent(object):
    """Randomly rotate user agents based on a list of predefined ones"""

    def __init__(self, agents):
        self.agents = agents

    @classmethod
    def from_crawler(cls, crawler):
        return cls(crawler.settings.getlist('USER_AGENTS'))

    def process_request(self, request, spider):
        #print "**************************" + random.choice(self.agents)
        request.headers.setdefault('User-Agent', random.choice(self.agents))

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)
        if proxy['user_pass'] is not None:
            request.meta['proxy'] = "http://%s" % proxy['ip_port']
            encoded_user_pass = base64.encodestring(proxy['user_pass'])
            request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass
            print "**************ProxyMiddleware have pass************" + proxy['ip_port']
        else:
            print "**************ProxyMiddleware no pass************" + proxy['ip_port']
            request.meta['proxy'] = "http://%s" % proxy['ip_port']

　　类RandomUserAgent主要用来动态获取user agent，user agent列表USER_AGENTS在settings.py中进行配置。

　　类ProxyMiddleware用来切换代理，proxy列表PROXIES也是在settings.py中进行配置。

　　2、修改settings.py配置USER_AGENTS和PROXIES

　　a)：添加USER_AGENTS

按 Ctrl+C 复制代码

按 Ctrl+C 复制代码

　　b)：添加代理IP设置PROXIES

按 Ctrl+C 复制代码

按 Ctrl+C 复制代码

　　代理IP可以网上搜索一下，上面的代理IP获取自：http://www.xici.net.co/。

　　c)：禁用cookies

COOKIES_ENABLED=False

d)：设置下载延迟

DOWNLOAD_DELAY=3

e)：最后设置DOWNLOADER_MIDDLEWARES 

DOWNLOADER_MIDDLEWARES = {
#    'cnblogs.middlewares.MyCustomDownloaderMiddleware': 543,
    'cnblogs.middlewares.RandomUserAgent': 1,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
    #'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
    'cnblogs.middlewares.ProxyMiddleware': 100,
}

保存settings.py

3、测试

[root@bogon cnblogs]# scrapy crawl CnblogsSpider

　　源码更新至此：https://github.com/jackgitgz/CnblogsSpider

　　篇外话：本文的user agent和proxy列表都是采用settings.py的方式进行设置的，实际生产中user agent和proxy有可能会经常更新，每次更改配置文件显得很笨拙也不便于管理。因而，可以根据需要保存在mysql数据库。

扫描公众号，关注更多信息

 

---------------------------------------------------------------------------------我是分割线--------------------------------------------------------------------------

 

to be a better me, talk is cheap show me the code

 

版权所有，转载请注明原文链接。

文中有不妥或者错误的地方还望指出，以免误人子弟。如果觉得本文对你有所帮助不妨【推荐】一下！如果你有更好的建议，可以给我留言讨论，共同进步！

再次感谢您耐心的读完本篇文章。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------