Python Scrapy反爬虫常见解决方案（包含5种方法）

Posted 2020-08-10

爬虫的本质就是“抓取”第二方网站中有价值的数据，因此，每个网站都会或多或少地采用一些反爬虫技术来防范爬虫。比如前面介绍的通过 User-Agent 请求头验证是否为浏览器、使用 JavaScript 动态加载资源等，这些都是常规的反爬虫手段。

下面针对更强的反爬虫技术提供一些解决方案。

IP 地址验证

有些网站会使用 IP 地址验证进行反爬虫处理，程序会检查客户端的 IP 地址，如果发现同一个 IP 地址的客户端频繁地请求数据， 该网站就会判断该客户端是爬虫程序。

针对这种情况，我们可以让 Scrapy 不断地随机更换代理服务器的 IP 地址，这样就可以欺骗目标网站了。

为了让 Scrapy 能随机更换代理服务器，可以自定义一个下载中间件，让该下载中间件随机更换代理服务器即可。

Scrapy 随机更换代理服务器只要两步：

1. 打开 Scrapy 项目下的 middlewares.py 文件，在该文件中增加定义如下类

2. class RandomProxyMiddleware (object) :
   #动态设置代理服务器的IP 地址
       def process request (self, request, spider):
           # get_random_proxy() 函数随机返回代理服务器的IP 地址和端口
           request.meta["proxy"] = get_random_proxy()
   

3. 上面程序通过自定义的下载中间件为 Scrapy 设置了代理服务器。程序中的 get_random_proxy() 函数需要能随机返回代理服务器的 IP 地址和端口，这就需要开发者事先准备好一系列代理服务器，该函数能随机从这些代理服务器中选择一个。
4. 通过 settings.py 文件设置启用自定义的下载中间件。在 settings.py 文件中增加如下配置代码：

5. #配置自定义的下载中间件
   DOWNLOADER MIDDLEWARES = {
       ‘ZhipinSpider.middlewares.RandomProxyMiddleware‘: 543,
   }
   

   　　

   禁用Cookie

   有些网站可以通过跟踪 Cookie 来识别是否是同一个客户端。Scrapy 默认开启了 Cookie，这样目标网站就可以根据 Cookie 来识别爬虫程序是同一个客户端。
   
   目标网站可以判断，如果同一个客户端在单位时间内的请求过于频繁，则基本可以断定这个客户端不是正常用户，很有可能是程序操作（比如爬虫），此时目标网站就可以禁用该客户端的访问。
   
   针对这种情况，可以让 Scrapy 禁用 Cookie(Scrapy 不需要登录时才可禁用 Cookie）。在 settings.py 文件中取消如下代码的注释即可禁用 Cookie：

6. COOKIES_ENABLED = False
   

   　　

   违反爬虫规则文件

   在很多 Web 站点目录下都会提供一个 robots.txt 文件，在该文件中制定了一系列爬虫规则。例如，Weibo.com 网站下的 robots.txt 文件的内容如下：

7. 

   Sitemap: http://weibo.com/sitemap.xml User-Agent: Baiduspider Disallow : User-agent : 360Spider Disallow : User-agent : Googlebot Disallow : User-agent : Sogou web spider Disallow : User-agent:bingbot Disallow : User-agent : smspider Disallow : User-ageηt : HaosouSpider Disallow : User-agent : YisouSpider Disallow : User-agent : * Disallow : /

   View Code

   该规则文件指定该站点只接受 Baidu 的网络爬虫，不接受其他爬虫程序。
   
   为了让爬虫程序违反爬虫规则文件的限制，强行爬取站点信息，可以在 settings 文件中取消如下代码的注释来违反站点制定的爬虫规则：

8. #指定不遵守爬虫规则
   ROBOTSTXT OBEY = False
   

   　　

   限制访问频率

   正如前面所提到的，当同一个 IP 地址、同一个客户端访问目标网站过于频繁时（正常用户的访问速度没那么快），其很可能会被当成机器程序（比如爬虫）禁止访问。
   
   为了更好地模拟正常用户的访问速度，可以限制 Scrapy 的访问频率。在 settings 文件中取消如下代码的注释即可限制 Scrapy 的访问频率：

9. #开启访问频率限制
   AUTOTHROTTLE ENABLED = True
   #设置访问开始的延迟
   AUTOTHROTTLE START DELAY = 5
   #设置访问之间的最大延迟
   AUTOTHROTTLE MAX DELAY = 60
   #设置Scrapy 并行发给每台远程服务器的请求数量
   AUTOTHROTTLE TARGET CONCURRENCY= 1.0
   #设置下裁之后的自动延迟
   DOWNLOAD DELAY = 3
   

   　　

   图形验证码

   有些网站为了防止机器程序访问，会做一些很“变态”的设计，它会记录同一个客户端、同一个IP地址的访问次数，只要达到一定的访问次数（不管你是正常用户，还是机器程序），目标网站就会弹出一个图形验证码让你输入，只有成功输入了图形验证码才能继续访问。
   
   为了让机器识别这些图形验证码，通常有两种解决方式：

   1. 使用 PIL、Libsvrn 等库自己开发程序来识别图形验证码。这种方式具有最大的灵活性，只是需要开发人员自己编码实现。
   2. 通过第三方打码平台识别。有不少图形验证码的在线识别网站，它们的识别率基本可以做到 90% 以上。但是识别率高的在线识别网站通常都要收费，而免费的往往识别率不高，还不如自己写程序来识别。