Scrapy研究探索（七）——如何防止被ban之策略大集合

話說在嘗試設置download_delay小於1，而且無任何其餘防止被ban的策略以後，我終於成功的被ban了。以下：

敵退我進，敵攻我擋。

本篇博客主要研究使用防止被ban的幾大策略以及在scrapy中的使用。

1.策略一：設置download_delay

這個在以前的教程中已經使用過（http://blog.csdn.net/u012150179/article/details/34913315），他的做用主要是設置下載的等待時間，大規模集中的訪問對服務器的影響最大，至關與短期中增大服務器負載。

下載等待時間長，不能知足段時間大規模抓取的要求，過短則大大增長了被ban的概率。

使用注意：

download_delay能夠設置在settings.py中，也能夠在spider中設置，在以前博客中（http://blog.csdn.net/u012150179/article/details/34913315）已經使用過，這裏再也不過多闡述。

2.策略二：禁止cookies

所謂cookies，是指某些網站爲了辨別用戶身份而儲存在用戶本地終端（Client Side）上的數據（一般通過加密），禁止cookies也就防止了可能使用cookies識別爬蟲軌跡的網站得逞。

使用：

在settings.py中設置COOKIES_ENABLES=False。也就是不啓用cookies middleware，不想web server發送cookies。

3.策略三：使用user agent池

所謂的user agent，是指包含瀏覽器信息、操做系統信息等的一個字符串，也稱之爲一種特殊的網絡協議。服務器經過它判斷當前訪問對象是瀏覽器、郵件客戶端仍是網絡爬蟲。在request.headers能夠查看user agent。以下，使用scrapy shell查看：

scrapy shell http://blog.csdn.net/u012150179/article/details/34486677

進而輸入以下，可獲得uesr agent信息：

由此獲得,scrapy自己是使用Scrapy/0.22.2來代表本身身份的。這也就暴露了本身是爬蟲的信息。

使用：

首先編寫本身的UserAgentMiddle中間件，新建rotate_useragent.py,代碼以下：

# -*-coding:utf-8-*-

from scrapy import log

"""避免被ban策略之一：使用useragent池。

使用注意：需在settings.py中進行相應的設置。
"""

import random
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware

class RotateUserAgentMiddleware(UserAgentMiddleware):

    def __init__(self, user_agent=''):
        self.user_agent = user_agent

    def process_request(self, request, spider):
        ua = random.choice(self.user_agent_list)
        if ua:
            #顯示當前使用的useragent
            print "********Current UserAgent:%s************" %ua

            #記錄
            log.msg('Current UserAgent: '+ua, level='INFO')
            request.headers.setdefault('User-Agent', ua)

    #the default user_agent_list composes chrome,I E,firefox,Mozilla,opera,netscape
    #for more user agent strings,you can find it in http://www.useragentstring.com/pages/useragentstring.php
    user_agent_list = [\
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
       ]

 

創建user agent池（user_agent_list）並在每次發送request以前從agent池中隨機選取一項設置request的User_Agent。編寫的UserAgent中間件的基類爲UserAgentMiddle。

除此以外，要在settings.py(配置文件)中禁用默認的useragent並啓用從新實現的User Agent。配置方法以下：

#取消默認的useragent,使用新的useragent
DOWNLOADER_MIDDLEWARES = {
        'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,
        'CSDNBlogCrawlSpider.spiders.rotate_useragent.RotateUserAgentMiddleware' :400
    }

至此配置完畢。如今能夠運行看下效果。

能夠發現一直在變化的UserAgent。

4.策略四：使用IP池

web server應對爬蟲的策略之一就是直接將你的IP或者是整個IP段都封掉禁止訪問，這時候，當IP封掉後，轉換到其餘的IP繼續訪問便可。

可使用Scrapy+Tor+polipo

配置方法與使用教程可參見：http://pkmishra.github.io/blog/2013/03/18/how-to-run-scrapy-with-TOR-and-multiple-browser-agents-part-1-mac/。有時間我會翻譯過來。

5.策略五：分佈式爬取

這個，內容就更多了，針對scrapy，也有相關的針對分佈式爬取的GitHub repo。能夠搜一下。