突然发现好多的爬虫爱好者学习爬虫的时候都喜欢爬豆瓣的东西,无论是电影、音乐还是小组等等。所以豆瓣网在反爬方面也是煞费苦心。当你的爬虫没什么策略可言时,很容易就会返回403错误。但是经过多次的实践大体可以看出豆瓣的反爬策略不外乎以下几点。
1、当你的访问过程不带cookie时,多次请求后就会被封,而且是封IP地址,所以无论你怎么换UA都会返回403错误。简单的解决方法就是不带Cookie先请求一次,并将返回的Cookie进行保存,下边的所有请求都带此Cookie。
2、当你的访问过程带上cookie时,第一次请求豆瓣页后面会返回一个cookie,以后的请求都会带此cookie,但当你请求过于频繁时,此cookie也会被封。但是此时不会封IP地址。解决的方法就是请求一段时间被封后,清除所有Cookie后,再次进行请求,返回可用Cookie,依次循环。
接下来我们聊写爬虫虫策略问题。经常看到爬虫群里面大家交流的时候,很多人喜欢把“分布式”挂在嘴边。但是跟很多爬虫朋友交流的时候发现真正遇到需要分布式抓取的情况其实并不多。个人觉得除非是很大型的爬虫,比如抓取淘宝某一大类商品信息,否则真的很少用到分布式爬虫。
当爬虫需要爬的URL特别多时,此时有两个瓶颈:
对方封爬虫请求,即封IP或者利用Cookie、账号等封请求。封IP的情况很容易解决,直接优质爬虫代理可以
import base64
import sys
import random
PY3 = sys.version_info[0] >= 3
def base64ify(bytes_or_str):
if PY3 and isinstance(bytes_or_str, str):
input_bytes = bytes_or_str.encode('utf8')
else:
input_bytes = bytes_or_str
output_bytes = base64.urlsafe_b64encode(input_bytes)
if PY3:
return output_bytes.decode('ascii')
else:
return output_bytes
class ProxyMiddleware(object):
def process_request(self, request, spider):
# 代理服务器(产品官网 www.16yun.cn)
proxyHost = "t.16yun.cn"
proxyPort = "31111"
# 代理验证信息
proxyUser = "16CALIRM"
proxyPass = "412545"
# [版本>=2.6.2](https://docs.scrapy.org/en/latest/news.html?highlight=2.6.2#scrapy-2-6-2-2022-07-25)无需添加验证头,会自动在请求头中设置Proxy-Authorization
request.meta['proxy'] = "http://{0}:{1}@{2}:{3}".format(proxyUser,proxyPass,proxyHost,proxyPort)
# 版本<2.6.2 需要手动添加代理验证头
# request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort)
# request.headers['Proxy-Authorization'] = 'Basic ' + base64ify(proxyUser + ":" + proxyPass)
# 设置IP切换头(根据需求)
# tunnel = random.randint(1,10000)
# request.headers['Proxy-Tunnel'] = str(tunnel)
# 每次访问后关闭TCP链接,强制每次访问切换IP
request.header['Connection'] = "Close"
AI 代码解读
自己服务器解析比较慢,即爬虫的瓶颈在于解析慢,特别是对于Python爬虫