内容简介
使用scrapy写爬虫的时候，会莫名其妙的被目标网站拒绝，很大部分是浏览器请求头的原因。
现在一起来看看scrapy的请求头，并探究设置方式
工具准备
开发环境python2.7 + scrapy 1.1.2
测试请求头网站：https://httpbin.org/get?show_env=1
json在线解析：https://www.json.cn/
浏览器请求头大全： http://www.useragentstring.com/
默认请求头
命令行执行，新建爬虫
scrapy startproject myspider cd myspider scrapy genspider scrapy_spider httpbin.org
我们通过对 https://httpbin.org/get?show_env=1 的请求，查看本次请求的浏览器信息，可以打开看一看是否是自己的浏览器信息
改写生成的scrapy_spider.py文件
import scrapy class ScrapySpider(scrapy.Spider): name = "scrapy_spider" allowed_domains = ["httpbin.org"] start_urls = ( # 请求的链接 "https://httpbin.org/get?show_env=1", ) def parse(self, response): # 打印出相应结果 print response.text if __name__ == '__main__': from scrapy import cmdline cmdline.execute("scrapy crawl scrapy_spider".split())
如果是你正好使用mac本，正好使用pycharm可以按快捷键启动爬虫
shift + control + r
当然，如果是windows那就右键启动吧
将返回的文本复制到 https://www.json.cn/ 格式化成便于查看的json格式，下面操作亦然，不再赘述。
{ "args":{ "show_env":"1" }, "headers":{ "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Accept-Encoding":"gzip,deflate", "Accept-Language":"en", "Connect-Time":"1", "Connection":"close", "Host":"httpbin.org", "Total-Route-Time":"0", "User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)", "Via":"1.1 vegur", "X-Forwarded-For":"39.155.188.22", "X-Forwarded-Port":"443", "X-Forwarded-Proto":"https", "X-Request-Id":"9dcf91a6-0bed-4d9e-b2bd-b7c88b832d81", "X-Request-Start":"1529654403617" }, "origin":"39.155.188.22", "url":"https://httpbin.org/get?show_env=1" }
看到了吧，默认的请求头是
"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)"
修改请求头
既然这样的话，那我们修改下请求头，达到伪造的效果
打开下面的链接，选一个自己喜欢的请求头
http://www.useragentstring.com/pages/useragentstring.php?name=Chrome
这里使用chrome浏览器请求头
方式一：全局设置
此方式设置后，覆盖掉scrapy默认的请求头，全局生效，即所有爬虫都可以享受
settings.py文件中找到如下代码
# Crawl responsibly by identifying yourself (and your website) on the user-agent # USER_AGENT = 'myspider (+http://www.yourdomain.com)'
解除注释，修改为自己的请求头
# Crawl responsibly by identifying yourself (and your website) on the user-agent USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"
运行爬虫，验证效果
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方式二：爬虫设置
此方式设置后，单个爬虫生效，此爬虫的所有连接都享受
class ScrapySpider(scrapy.Spider): name = "scrapy_spider" allowed_domains = ["httpbin.org"] # 新添加的代码 custom_settings = { "USER_AGENT": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36", } # ----------- start_urls = ( "https://httpbin.org/get?show_env=1", )
再次访问，发现我们的请求头已经成功更换
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方式三：链接设置
此方法对单个链接生效, 只是此次请求的这个链接享受
在Request方法中设置headers参数
import scrapy # 请求头 USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36" class ScrapySpider(scrapy.Spider): name = "scrapy_spider" allowed_domains = ["httpbin.org"] start_urls = ( "https://httpbin.org/get?show_env=1", ) # 新加的代码 def start_requests(self): for url in self.start_urls: yield scrapy.Request(url, headers={"User-Agent": USER_AGENT}) # ------------ def parse(self, response): print response.text
测试效果
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方法四：中间件设置
此方法可以从整个项目中去修改请求头的设置规则，变化多端，不同的写法，可以配置出不同的设置方式，下面是一个比较简单的示例
我们参考scrapy默认处理请求头的中间件
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
编写中间件
# middlewares.py class RandomUserAgentMiddleware(object): def process_request(self, request, spider): request.headers['User-Agent']= "" # 绝对设置，其他设置都不生效
我们可以从下面找到默认设置
from scrapy.settings import default_settings
找到项目中对请求头起作用的中间件
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 400,
在settings.py 或者custom_settings替换原有的中间件
"
DOWNLOADER_MIDDLEWARES": { 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None, "myspider.middlewares.RandomUserAgentMiddleware": 400, }
这样可以从全局，或者局部替换掉请求头规则
作用优先级
如果作如下设置
# settings.py USER_AGENT = "settings"
# scrapy_spider.py custom_settings = { "USER_AGENT": "custom_settings", } headers={"User-Agent": "header"}
运行效果为：
"User-Agent":"header"
注释掉headers
注释掉custom_settings
注释掉settings
"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org)"
可见优先级为：
headers > custom_settings > settings.py > Scrapy默认
注意
注意User-Agent参数的写法
headers={"User-Agent": USER_AGENT})
如果写错了，很可能发生奇怪的事情
headers={"User_Agent": USER_AGENT}
请求头中多了Scrapy…
"User-Agent":"Scrapy/1.1.2 (+http://scrapy.org),Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
其实，很好区分：
User-Agent： 浏览器请求头参数，html代码中经常用-
USER_AGENT: python变量
建议：
每次写浏览器参数，如果怕写错就打开自己的浏览器，随便测试一个页面，从里边复制
总结
表格从上至下，优先级逐渐增加，中间件除外，一般掌握三种方式就够用了：
settings.py
custom_settings
headers
作为从入门到实战的我，踩过不少坑，此文做了简单的总结，也分享了几个比较实用的网站。希望此文的分享能给大家提供一个少走弯路的捷径，那么此文的价值也就体现了。
