本周又和大家见面了,首先说一下我最近正在做和将要做的一些事情。(我的新书《Python爬虫开发与项目实战》发布了,大家在这里可以看到样章)
技术方面的事情:本次端午假期没有休息,正在使用flask开发自己的个人博客框架,之后我的技术教程将会陆续更新flask方面的内容,尽可能的形成一套完整的flask开发教程。之后打算再开通一个微信公众号,自己使用python开发微信公众号后台,给大家提供一些生活上的服务,例如及时提醒一些商家优惠信息,跟踪快递,提醒天气等等,大家如果有什么好的想法,可以给我留言,你的点子如果被采用了,将会出现在贡献者名单中。
生活方面的事情:开始重新学习吉他,多了解一些音乐方面的事情,个人感觉自己的艺术细菌滋生的还是蛮快的。尝试去写比较系统的技术文章,由浅入深,力求最后能形成书籍。
好了,废话不多说,咱们进入今天的主题。前几篇文章,讲述了scrapy爬取美女图片和代理的内容,因为之前的写的爬取代码,在爬取到1000张图片左右就会被ban,所以咱们今天讲解的是使用VPN + Tor来突破反爬虫机制。
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。
1.动态设置user agent
2.禁用cookies
3.设置延迟下载
4.使用Google cache
5.使用IP地址池(Tor project、VPN和代理IP)
6.使用Crawlera
一般前三个策略是必须要做的,然后咱们在选择使用代理ip池,就可以绕过绝大部分的网站的反爬虫机制。
基于咱们之前写的jiandan_2(https://github.com/qiyeboy/jiandan_2)的代码,咱们进行一下改动,需要写一个中间件。在原有工程的基础上,添加middlewares包,同时在包中写入RandomProxy.py(用来设置代理ip),RandomUserAgent(用来动态设置user agent)。
第一步动态设置user agent:
http请求头中user agent包含了我们使用的浏览器和操作系统的一些信息,很多网站通过判断user agent内容来确定用户的,所以咱们要动态设置user agent,来假装自己是很多用户。来看一下代码:
#coding:utf-8
import random
'''
这个类主要用于产生随机UserAgent
'''
class RandomUserAgent(object):
def __init__(self,agents):
self.agents = agents
@classmethod
def from_crawler(cls,crawler):
return cls(crawler.settings.getlist('USER_AGENTS'))#返回的是本类的实例cls ==RandomUserAgent
def process_request(self,request,spider):
request.headers.setdefault('User-Agent', random.choice(self.agents))
user agent的值,我在setting.py中已经设置好了。
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
第二步 禁用cookie,在setting.py中添加
COOKIES_ENABLED=False
第三步设置延迟下载,在setting.py中添加
DOWNLOAD_DELAY=2
第四步设置代理:
之前爬取的代理,发现稳定性太差,果然是免费提供的,所以我就直接弃用了。自己买了一个VPN(主要是为了FQ使用Tor),然后在配上Tor,就可以形成一个ip地址池。
首先连接上vpn,我买的是一个美国的地址。
然后连接Tor(Tor的安装教程网上太多了)。
由于Tor使用的是sock代理方式(绑定了9050端口),我们的http请求不能直接通过它,所以要使用一个http转sock的代理软件polipo(无需安装)。
配置一下config.sample:
socksParentProxy = "localhost:9050"
socksProxyType = socks5
diskCacheRoot = ""
使用cmd命令运行该目录下的程序:polipo.exe -c config.sample(监听8123端口)
最后咱们在setting.py中添加
HTTP_PROXY ='http://127.0.0.1:8123'#使用Tor
最后看一下RandomProxy.py代码:
#coding:utf-8
import random
from jiandan import settings
from jiandan.db.db_helper import DB_Helper
'''
这个类主要用于产生随机代理
'''
class RandomProxy(object):
def __init__(self):#初始化一下数据库连接
self.db_helper = DB_Helper()
self.count =self.db_helper.proxys.count()
def process_request(self, request, spider):
'''
在请求上添加代理
:param request:
:param spider:
:return:
'''
# idList = range(1,self.count+1)
# id = random.choice(idList)
# result = self.db_helper.findOneResult({'proxyId':id})
request.meta['proxy'] =settings.HTTP_PROXY
最后运行程序,开始下载。由于Tor网速较慢,下载了3万张图片花了一天左右。。。。
不过没有发生被ban掉的情况。
完整的代码我已经上传到github上:
https://github.com/qiyeboy/jiandan_2
今天的分享就到这里,如果大家觉得还可以呀,记得打赏呦。
作者:qiye
链接:http://www.jianshu.com/p/9159111bcd87
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。