Python_scrapy—突破反爬虫的限制

一:自由切换user-agent

  • 在Scrapy框架下的middleware.py文件中添加如下代码:
class RandomUserAgentMiddlware(object):
    #随机更换user-agent
    def __init__(self,crawler):
        super(RandomUserAgentMiddlware,self).__init__()
        self.ua=UserAgent()
        self.ua_type=crawler.settings.get("RANDOM_UA_TYPE","random")
        #调用你所定义的UA类型,并随机给出索要类型的user-agent

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

    def process_request(self,request,spider):
        def get_ua():#动态语言中函数里可以定义函数,例如js
            return getattr(self.ua,self.ua_type)

        random_agent=get_ua()#断点调试获取UA结果
        request.header.setdefault('User-Agent',get_ua())
  • 并在表头导入UserAgent,并创建UA实例,以便调用。
from fake_useragent import UserAgent
ua = UserAgent()#生成实例,直接调用其中的user-agent
  • 在settings.py文件中定义你所需要的UA类型,当前为随机:
RANDOM_UA_TYPE="random"#定义你想要的UA类型,
  • 将middlewares中的RandomUserAgentMiddlware类配置到settings当中:
DOWNLOADER_MIDDLEWARES = {
    'ArticleSpider.middlewares.RandomUserAgentMiddlware': 543,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None
}
  • 运行后报错
NameError: Module 'ArticleSpider.middlewares' doesn't define any object named 'MyCustomDownloaderMiddleware'

原因:没有将setting文件中将DOWNLOADER_MIDDLEWARES中的默认middleware类名改为你所定义的类名。更改后如下:

DOWNLOADER_MIDDLEWARES = {
    'ArticleSpider.middlewares.RandomUserAgentMiddlware': 543,
    #'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None
}

二:动态设置ip代理

import requests
from scrapy.selector import Selector
import MySQLdb
#链接数据库
conn=MySQLdb.connect(host="localhost",user="root",password="123456",db="article_spider",charset="utf8",)
cursor=conn.cursor()

def crawl_ips():
    #爬取西刺的免费IP代理
    headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0"}
    for i in range(1568):
        re=requests.get("http://www.xicidaili.com/nn/{0}".format(i),headers=headers)

        selector=Selector(text=re.text)
        all_trs= selector.css("#ip_list tr")

        ip_list=[]
        for tr in all_trs[1:]:
            speed_str=tr.css(".bar::attr(title)").extract()[0]
            if speed_str:
                speed=float(speed_str.split("秒")[0])
            all_texts=tr.css("td::text").extract()

            ip=all_texts[0]
            port=all_texts[1]
            proxy_type=all_texts[5]

            ip_list.append((ip,port,speed,proxy_type))

        for ip_info in ip_list:
            cursor.execute(
                "insert proxy_ip(ip,port,speed,proxy_type) VALUES('{0}','{1}',{2},'{3}')".format(#当值为字符串时,传值要为单引号。
                    ip_info[0],ip_info[1],ip_info[2],ip_info[3]
                )
            )
            conn.commit()
class GetIP(object):
    def delete_ip(self, ip):
        #从数据库中删除无效的ip
        delete_sql = """
            delete from proxy_ip where ip='{0}'
        """.format(ip)
        cursor.execute(delete_sql)
        conn.commit()
        return True

    def judge_ip(self,ip,port):
       #判断ip是否可用
       http_url="https://www.baidu.com"
       proxy_url="https://{0}:{1}".format(ip,port)
       try:
           proxy_dict={
              "http":proxy_url
            }
           response = requests.get(http_url, proxies=proxy_dict)
       except Exception as e:
           print ("invalid ip and port")
           self.delete_ip(ip)
           return False
       else:
           code = response.status_code
           if code >= 200 and code < 300:
               print ("effective ip")
               return True
           else:
               print  ("invalid ip and port")
               self.delete_ip(ip)
               return False

    def get_random_ip(self):
        #从数据库中随机获取一个可用的ip
        random_sql="""
        SELECT ip,port FROM proxy_ip
        ORDER BY RAND()
        LIMIT 1
        """
        result=cursor.execute(random_sql)
        for ip_info in cursor.fetchall():
            ip=ip_info[0]
            port=ip_info[1]

            judge_re = self.judge_ip(ip, port)
        if judge_re:
            return "http://{0}:{1}".format(ip, port)
        else:
            return self.get_random_ip()


#print(crawl_ips())
if __name__ == "__main__":
    get_ip = GetIP()
    get_ip.get_random_ip()

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,923评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,154评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,775评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,960评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,976评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,972评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,893评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,709评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,159评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,400评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,552评论 1 346
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,265评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,876评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,528评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,701评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,552评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,451评论 2 352

推荐阅读更多精彩内容