转自:http://blog.csdn.net/u012150179/article/details/35774323


话说在尝试设置download_delay小于1,并且无任何其他防止被ban的策略之后,我终于成功的被ban了。


关于scrapy的使用可参见之前文章:

http://blog.csdn.net/u012150179/article/details/34913315

http://blog.csdn.net/u012150179/article/details/34486677

http://blog.csdn.net/u012150179/article/details/34441655

http://blog.csdn.net/u012150179/article/details/32911511

敌退我进,敌攻我挡。

本篇博客主要研究使用防止被ban的几大策略以及在scrapy中的使用。


1.策略一:设置download_delay

这个在之前的教程中已经使用过(http://blog.csdn.net/u012150179/article/details/34913315),他的作用主要是设置下载的等待时间,大规模集中的访问对服务器的影响最大,相当与短时间中增大服务器负载。

下载等待时间长,不能满足段时间大规模抓取的要求,太短则大大增加了被ban的几率。

使用注意:

download_delay可以设置在settings.py中,也可以在spider中设置,在之前博客中(http://blog.csdn.net/u012150179/article/details/34913315)已经使用过,这里不再过多阐述。


2.策略二:禁止cookies

所谓cookies,是指某些网站为了辨别用户身份而储存在用户本地终端(Client Side)上的数据(通常经过加密),禁止cookies也就防止了可能使用cookies识别爬虫轨迹的网站得逞。

使用:

在settings.py中设置COOKIES_ENABLES=False。也就是不启用cookies middleware,不想web server发送cookies。


3.策略三:使用user agent池

所谓的user agent,是指包含浏览器信息、操作系统信息等的一个字符串,也称之为一种特殊的网络协议。服务器通过它判断当前访问对象是浏览器、邮件客户端还是网络爬虫。在request.headers可以查看user agent。如下,使用scrapy shell查看:


[python] view plain copy

  1. scrapy shell http://blog.csdn.net/u012150179/article/details/34486677  


进而输入如下,可得到uesr agent信息:



由此得到,scrapy本身是使用Scrapy/0.22.2来表明自己身份的。这也就暴露了自己是爬虫的信息。


使用:

首先编写自己的UserAgentMiddle中间件,新建rotate_useragent.py,代码如下:


[python] view plain copy

  1. # -*-coding:utf-8-*-  

  2.   

  3. from scrapy import log  

  4.   

  5. """避免被ban策略之一:使用useragent池。 

  6.  

  7. 使用注意:需在settings.py中进行相应的设置。 

  8. """  

  9.   

  10. import random  

  11. from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware  

  12.   

  13. class RotateUserAgentMiddleware(UserAgentMiddleware):  

  14.   

  15.     def __init__(self, user_agent=''):  

  16.         self.user_agent = user_agent  

  17.   

  18.     def process_request(self, request, spider):  

  19.         ua = random.choice(self.user_agent_list)  

  20.         if ua:  

  21.             #显示当前使用的useragent  

  22.             print "********Current UserAgent:%s************" %ua  

  23.   

  24.             #记录  

  25.             log.msg('Current UserAgent: '+ua, level='INFO')  

  26.             request.headers.setdefault('User-Agent', ua)  

  27.   

  28.     #the default user_agent_list composes chrome,I E,firefox,Mozilla,opera,netscape  

  29.     #for more user agent strings,you can find it in http://www.useragentstring.com/pages/useragentstring.php  

  30.     user_agent_list = [\  

  31.         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "  

  32.         "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",  

  33.         "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "  

  34.         "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",  

  35.         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "  

  36.         "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",  

  37.         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "  

  38.         "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",  

  39.         "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "  

  40.         "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",  

  41.         "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "  

  42.         "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",  

  43.         "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "  

  44.         "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",  

  45.         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "  

  46.         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",  

  47.         "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "  

  48.         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",  

  49.         "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "  

  50.         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",  

  51.         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "  

  52.         "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",  

  53.         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "  

  54.         "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",  

  55.         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "  

  56.         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",  

  57.         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "  

  58.         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",  

  59.         "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "  

  60.         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",  

  61.         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "  

  62.         "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",  

  63.         "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "  

  64.         "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",  

  65.         "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "  

  66.         "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"  

  67.        ]  



建立user agent池(user_agent_list)并在每次发送request之前从agent池中随机选取一项设置request的User_Agent。编写的UserAgent中间件的基类为UserAgentMiddle。

除此之外,要在settings.py(配置文件)中禁用默认的useragent并启用重新实现的User Agent。配置方法如下:


[python] view plain copy

  1. #取消默认的useragent,使用新的useragent  

  2. DOWNLOADER_MIDDLEWARES = {  

  3.         'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,  

  4.         'CSDNBlogCrawlSpider.spiders.rotate_useragent.RotateUserAgentMiddleware' :400  

  5.     }  


至此配置完毕。现在可以运行看下效果。



可以发现一直在变化的UserAgent。


4.策略四:使用IP池

web server应对爬虫的策略之一就是直接将你的IP或者是整个IP段都封掉禁止访问,这时候,当IP封掉后,转换到其他的IP继续访问即可。

可以使用Scrapy+Tor+polipo

配置方法与使用教程可参见:http://pkmishra.github.io/blog/2013/03/18/how-to-run-scrapy-with-TOR-and-multiple-browser-agents-part-1-mac/。有时间我会翻译过来。


5.策略五:分布式爬取

这个,内容就更多了,针对scrapy,也有相关的针对分布式爬取的GitHub repo。可以搜一下。


原创,转载请注明:http://blog.csdn.net/u012150179/article/details/35774323