1.用scrapy爬取赶集网租房信息时,由于访问频繁,需要通过验证码才能访问页面;
解决方案:
网站通过用户的Cookie信息对用户进行识别与分析,所以要防止目标网站识别我们的会话信息。
在Scrapy中,我们可以在爬虫项目的setting.py文件中进行设置
将setting.py中的下面两行代码里的
COOKIES_ENABLED = False 的注释去掉即可。
2.爬虫过程中遇到重定向问题
爬取赶集网次数可能太多,爬虫时网址被重定向到验证码页面。
2018-08-31 16:59:55 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (302) to <GET https://callback.ganji.com/firewall/valid/2093665982.do?namespace=ganji_zufang_detail_pc&url=http%3A%2F%2Fbj.ganji.com%2
Ffang1%2F3541105246x.htm%3Fadtype%3D3> from <GET http://bj.ganji.com/fang1/3541105246x.htm?adtype=3>
解决方法:
1.在Request中将scrapy的dont_filter=True
,因为scrapy是默认过滤掉重复的请求URL;
2.添加headers;
3.
2.设置下载延时
部分网站通过分析我们的爬取频率对爬虫进行禁止或限制,所以我们需要控制爬取时间间隔。
在Scrapy中同样是在setting.py文件中进行设置。
在这里,我设置爬取间隔为 0.7。
3.设置用户代理池
在setting.py中添加用户代理池
添加好用户代理池之后,还需要创建下载中间件。在C:/Mycrawl/Mycrawl下新建Myuseragent.py文件,在里面编辑
import random
from Mycrawl.settings import UAPOOL
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
class MyUAmid(UserAgentMiddleware):
def __init__(self, user_agent=''):
self.user_agent = user_agent
def process_request(self, request, spider):
Myua = random.choice(UAPOOL)
print('当前使用的User-Agent是%s'%Myua)
request.headers.setdefault('User-Agent', Myua)
然后在settings.py中将该文件设置为爬虫项目的下载中间件,
# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
#'Mycrawl.middlewares.MycrawlDownloaderMiddleware': 543,
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware':2,
'Mycrawl.MyUserAgent.MyUAmid':1,
}
其中的 DOWNLODER_MIDDLEWARES 就是下载中间件的意思。
设置好之后就可以运行爬虫文件了。
4.访问频率大,网页爬取需要验证码验证
5.其他方式