爬取网站时请求被拒绝？scrapy轻松解决请求头设置！就是不讲道理

Posted 2020-11-20 fcxwz

 

默认请求头

命令行执行，新建爬虫

scrapy startproject myspidercd 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

 

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。

 

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

 

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

 

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

 

作用优先级

如果作如下设置

# settings.pyUSER_AGENT = "settings"

# scrapy_spider.pycustom_settings = { "USER_AGENT": "custom_settings", }headers={"User-Agent": "header"}

运行效果为：

"User-Agent":"header"

注释掉headers

"User-Agent":"custom_settings"

注释掉custom_settings

"User-Agent":"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

 

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。

顺便打个广告

最近想写一个开源库，chinesename中文取名，已经实现基本的取名，不过名字需要优化，如果有想一起搞事情的同学，可以一起