Scrapy爬取美女图片第四集 突破反爬虫(上)
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。
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V** + 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。
- 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、V**和代理IP）
- 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",
]
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V**(主要是为了访问外国网站使用Tor)，然后在配上Tor,就可以形成一个ip地址池。
首先连接上V**，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，记得赞赏呦。