Python爬虫研究

发表于： 分类于：
字数： 1942 阅读：≈ 4分钟 浏览：

最近一直在研究爬虫相关的内容，对于各个知识点，都有所实践，以下是研究的结果。

python 爬虫

反爬虫常见套路

  1. 判断user-agent

  2. 校验referer头

  3. 校验cookie

  4. 同一ip访问次数限制

  5. js/ajax动态渲染页面

反反爬虫应对策略

1、user-agent头校验

每次请求设置随机user-agent头。可以引入fake_useragent模块或从 http://useragentstring.com/pages/useragentstring.php?typ=browser 获取最新请求头。

通过scrapy框架实现，download_middleware中间件，process_request方法。示例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


# 自定义User-Agent列表

request.headers['User-Agent'] = random.choice(USER_AGENTS)



# fake_useragent方式实现

from fake_useragent import UserAgent

request.headers['User-Agent'] = str(UserAgent().random)

2、校验referer头

  1. 设置referer为网站主域名

  2. 通过selenium爬取，selenium会自动为每次请求增加referer头

3、校验cookie

对方的网站的cookie规则无法分析/破解难度太大。可以通过selenium/splash处理对cookie的操作，建立cookie池

4、同一ip访问次数限制

如果同一个ip在某个时间段访问频次过高，会被认为是爬虫，封掉ip。解决办法：

1.使用代理ip 

1) 批量获取ip，构成ip池

2) 分次请求代理ip接口，每次请求一条ip，获取ip和过期时间

scrapy实现方式，download_middleware中间件，process_request方法。示例：

1
2


request.meta['proxy'] = proxy

2.设置抓取频率

修改scrapy settings文件

1
2
3
4


# 设置下载延迟 3s

DOWNLOAD_DELAY = 3

代理平台对比

指标\平台 | 芝麻代理 | 快代理| …

—|—|—|—

稳定性 | 中（测试过程中，未发现代理不能用的情况） | 未使用，不明确 | …

灵活性 | 高（参数配置灵活，通过url调用） | 未使用，不明确 | …

5、js/ajax动态渲染页面

此类网站可以通过selenium或者splash工具来进行处理。各自优缺点对比：

指标\工具 | selenium | splash

—|—|—

性能 | 低(每次请求需页面加载完才能进行下一步处理) | 高（Twisted和QT，发挥webkit并发能力）

效率 | 低(模拟浏览器，浏览器底层初始化一些流程) | 高（Twisted和QT，发挥webkit并发能力）

运维成本 | 低（作为scrapy一个类库调用） | 高（需配合docker使用，开启docker-splash服务）

内存| 高（随时间推移，占用内存越高）| 待测试…

灵活性| 中 | 高（参数配置方便）

使用范围| 浏览器测试自动化工具 | 异步渲染页面

综上所述，爬取动态页面数据，在效率以及爬取性能上，splash会有明显优势。

&Question

1、如何确保100%爬取？

1、代理ip稳定

2、建立失败请求重试机制

2、代理ip被对方网站封掉如何处理？（重试机制？）

通过scrapy框架download_middleware中间件，process_response方法来判断返回参数进行处理。示例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28


    def process_response(self, request, response, spider):

        

        # 判断response状态码 或 返回内容为验证码，则获取新的代理ip

        if response.status != 200:

            self.logger.info('ip被拉黑')

            

            # 更新代理ip

            self.update_proxy()

            

            # 返回request对象 重新发起请求

            return request



        # 返回response到爬虫脚本

        return response

也可以作为重试机制之一。

3、selenium代理设置问题及替代方案

通过资料查找以及实践踩坑发现selenium对于代理ip的设置不太友好，而且如何动态切换代理ip也是个问题（也可以实现）。

splash设置动态ip比较方便。示例：

  1. 中间件实现
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


class ProxyMiddleware(object):

      def process_request(self, request, spider):

	      request.meta['splash']['args']['proxy'] = proxyServer

	      proxy_user_pass = "USERNAME:PASSWORD"

	      encoded_user_pass = base64.encodestring(proxy_user_pass)

	      request.headers["Proxy-Authorization"] = 'Basic ' + encoded_user_pass
  1. spider实现
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


def start_requests(self):

    for url in self.start_urls:

        yield SplashRequest(url,

            url=url,

            callback=self.parse,

            args={

            	   'wait': 5,

                   'proxy': 'http://proxy_ip:proxy_port'

            }

4、验证码问题

  1. 手动认证（效率太低… 需要人工

  2. 更换ip (方便

  3. 打码平台 (一般的识别验证码类库不稳定，打码平台一般都需要收费

  4. …

选择哪个，哪种方式更适合，需要测试以及项目需求才能确定。

5、如何高效抓取

  1. 破解对方ajax请求，通过ajax请求获取数据，不走页面

  2. mysql连接池（Twisted、adbapi）

  3. Redis分布式爬虫（Spider.Redis）

  4. 数据写入redis或MongoDB，异步读入mysql

  5. …

6、Splash

这里以亚马逊为例，爬取亚马逊，使用Splash没有用selenium好，使用splash总是会出现响应丢失的情况，估计是响应时间太长了，后续还需要更加完善的测试。

scrapy实践项目地址

https://gitee.com/mingzhongshui/Python-scrapy-demo

  1. jianshu分支 实现对简书所有文章详情的爬取，以selenium或者代理ip的方式

  2. amazon分支 实现对亚马逊整站商品的爬取，以selenium或者代理ip的方式

预选方案

splash + 代理ip + 随机user_agent + cookie池 + 分布式爬虫