Python scrapy 伪装代理和fake_userAgent的使用

Posted hellangels333

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python scrapy 伪装代理和fake_userAgent的使用相关的知识,希望对你有一定的参考价值。

scrapy 伪装代理和fake_userAgent的使用

伪装浏览器代理 在爬取网页是有些服务器对请求过滤的不是很高可以不用ip来伪装请求直接将自己的浏览器信息给伪装也是可以的。

第一中方法:

1.在setting.py文件中加入以下内容,这是一些浏览器的头信息

USER_AGENT_LIST = [‘zspider/0.9-dev http://feedback.redkolibri.com/‘,
                    ‘Xaldon_WebSpider/2.0.b1‘,
                    ‘Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) Speedy Spider (http://www.entireweb.com/about/search_tech/speedy_spider/)‘,
                    ‘Mozilla/5.0 (compatible; Speedy Spider; http://www.entireweb.com/about/search_tech/speedy_spider/)‘,
                    ‘Speedy Spider (Entireweb; Beta/1.3; http://www.entireweb.com/about/search_tech/speedyspider/)‘,
                    ‘Speedy Spider (Entireweb; Beta/1.2; http://www.entireweb.com/about/search_tech/speedyspider/)‘,
                    ‘Speedy Spider (Entireweb; Beta/1.1; http://www.entireweb.com/about/search_tech/speedyspider/)‘,
                    ‘Speedy Spider (Entireweb; Beta/1.0; http://www.entireweb.com/about/search_tech/speedyspider/)‘,
                    ‘Speedy Spider (Beta/1.0; www.entireweb.com)‘,
                    ‘Speedy Spider (http://www.entireweb.com/about/search_tech/speedy_spider/)‘,
                    ‘Speedy Spider (http://www.entireweb.com/about/search_tech/speedyspider/)‘,
                    ‘Speedy Spider (http://www.entireweb.com)‘,
                    ‘Sosospider+(+http://help.soso.com/webspider.htm)‘,
                    ‘sogou spider‘,
                    ‘Nusearch Spider (www.nusearch.com)‘,
                    ‘nuSearch Spider (compatible; MSIE 4.01; Windows NT)‘,
                    ‘lmspider ([email protected])‘,
                    ‘lmspider [email protected]‘,
                    ‘ldspider (http://code.google.com/p/ldspider/wiki/Robots)‘,
                    ‘iaskspider/2.0(+http://iask.com/help/help_index.html)‘,
                    ‘iaskspider‘,
                    ‘hl_ftien_spider_v1.1‘,
                    ‘hl_ftien_spider‘,
                    ‘FyberSpider (+http://www.fybersearch.com/fyberspider.php)‘,
                    ‘FyberSpider‘,
                    ‘everyfeed-spider/2.0 (http://www.everyfeed.com)‘,
                    ‘envolk[ITS]spider/1.6 (+http://www.envolk.com/envolkspider.html)‘,
                    ‘envolk[ITS]spider/1.6 ( http://www.envolk.com/envolkspider.html)‘,
                    ‘Baiduspider+(+http://www.baidu.com/search/spider_jp.html)‘,
                    ‘Baiduspider+(+http://www.baidu.com/search/spider.htm)‘,
                    ‘BaiDuSpider‘,
                    ‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0) AddSugarSpiderBot www.idealobserver.com‘,
                ]

2.在spider同级目录下建立一个MidWare文件价里面写一个HeaderMidWare.py文件 内容为

# encoding: utf-8
from scrapy.utils.project import get_project_settings
import random

settings = get_project_settings()

class ProcessHeaderMidware():
    """process request add request info"""

    def process_request(self, request, spider):
        """
        随机从列表中获得header, 并传给user_agent进行使用
        """
        ua = random.choice(settings.get(‘USER_AGENT_LIST‘))  
        spider.logger.info(msg=‘now entring download midware‘)
        if ua:
            request.headers[‘User-Agent‘] = ua
            # Add desired logging message here.
            spider.logger.info(u‘User-Agent is : {} {}‘.format(request.headers.get(‘User-Agent‘), request))
        pass

3.在setting.py文件中添加

DOWNLOADER_MIDDLEWARES = {
‘projectName.MidWare.HeaderMidWare.ProcessHeaderMidware‘: 543,
}

第二种方法:fake_userAgent的使用

fake_userAgent是github上的开源项目
1.安装fake_userAgent
pip install fake-useragent
2.在spider同级目录下建立一个MidWare文件价里面写一个user_agent_middlewares.py文件内容为

# -*- coding: utf-8 -*-
from fake_useragent import UserAgent

class RandomUserAgentMiddlware(object):
    #随机跟换user-agent
    def __init__(self,crawler):
        super(RandomUserAgentMiddlware,self).__init__()
        self.ua = UserAgent()
        self.ua_type = crawler.settings.get(‘RANDOM_UA_TYPE‘,‘random‘)#从setting文件中读取RANDOM_UA_TYPE值

    @classmethod
    def from_crawler(cls,crawler):
        return cls(crawler)

    def process_request(self,request,spider):  ###系统电泳函数
        def get_ua():
            return getattr(self.ua,self.ua_type)
        # user_agent_random=get_ua()
        request.headers.setdefault(‘User_Agent‘,get_ua())
        pass

3.在setting.py中添加

RANDOM_UA_TYPE = ‘random‘##random    chrome

DOWNLOADER_MIDDLEWARES = {

‘projectName.MidWare.user_agent_middlewares.RandomUserAgentMiddlware‘: 543, 

‘scrapy.downloadermiddlewares.useragent.UserAgentMiddleware‘:None,

}

fake_userAgent伪装代理就配置好了,与第一种方法相比不用写一大串的浏览器头,那些浏览器头会在https://fake-useragent.herokuapp.com/browsers/0.1.7 中得到。


在第一次启用fake_userAgent的时候会有一些错,我认为是项目请求网络时需要缓存一些内容而导致的。

github地址:https://github.com/sea1234/fake-useragent






以上是关于Python scrapy 伪装代理和fake_userAgent的使用的主要内容,如果未能解决你的问题,请参考以下文章

UA池和代理池

Python爬虫伪装,请求头User-Agent池,和代理IP池搭建使用

Python爬虫伪装,请求头User-Agent池,和代理IP池搭建使用

UA池和IP代理池使用

Scrapy框架--中间件及Selenium应用

Scrapy框架中的 UA伪装