突破反爬虫策略

1.什么是爬虫和反爬虫

• 爬虫 是使用任何技术手段批量获取网站信息的一种方式， 反爬虫 是使用任何技术手段阻止别人批量获取自己网站信息的一种方式；

2.User-Agent介绍

• User Agent 中文名为用户代理，是Http协议中的一部分，属于头域的组成部分，User Agent也简称 UA 。它是一个特殊字符串头，是一种向访问网站提供你所使用的浏览器类型及版本、操作系统及版本、浏览器内核、等信息的标识；

• User-Agent 是 headers 中的一个属性，表示当前访问服务器的身份信息，如果同一个身份过于频繁的访问服务器会被识别为机器身份，遭到反爬的打击，所以需要频繁的更改User-Agent信息；

• User-Agent字段解析：浏览器标识 (操作系统标识; 加密等级标识; 浏览器语言) 渲染引擎标识 版本信息；

3.使用不同的User-Agent来规避反爬策略

• 想要随机更改User-Agent，首先我们可以在蜘蛛文件的Spider类中添加一个header请求头，很多网站只需要userAgent信息就可以通过，但是有的网站还需要验证一些其他的信息，所以我们可以在请求头中添加一些需要用到的字段，比如：

• Accept ：客户端支持的数据类型，用逗号隔开，是有顺序的，分号前面是主类型，分号后是子类型；

• Accept-Encoding ：指定浏览器可以支持的web服务器返回内容压缩编码类型；

• Accept-Language ：浏览器可接受的自然语言的类型；

• Connection ：设置HTTP连接的持久化，通常都是Keep-Alive；

• host ：服务器的域名或IP地址，如果不是通用端口，还包含该端口号；

• Referer ：指当前请求的URL是在什么地址引用的；

headers = {
        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding':  'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection':  'keep-alive',
        'host': 'dribbble.com/stories',
        'Referer': 'https://dribbble.com/',
    }

• 添加完请求头需要的字段，我们可以在settings.py 文件中手动创建一个User-Agent列表

user_agent_list = [
    "Opera/9.80 (X11; Linux i686; Ubuntu/14.10) Presto/2.12.388 Version/12.16",
    "Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14",
    "Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0) Opera 12.14",
    "Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02",
    "Opera/9.80 (Windows NT 6.1; U; es-ES) Presto/2.9.181 Version/12.00",
    "Opera/9.80 (Windows NT 5.1; U; zh-sg) Presto/2.9.181 Version/12.00",
    "Opera/12.0(Windows NT 5.2;U;en)Presto/22.9.168 Version/12.00",
    "Opera/12.0(Windows NT 5.1;U;en)Presto/22.9.168 Version/12.00",
    "Mozilla/5.0 (Windows NT 5.1) Gecko/20100101 Firefox/14.0 Opera/12.0",
    "Opera/9.80 (Windows NT 6.1; WOW64; U; pt) Presto/2.10.229 Version/11.62",
    "Opera/9.80 (Windows NT 6.0; U; pl) Presto/2.10.229 Version/11.62",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; de) Presto/2.9.168 Version/11.52",
    "Opera/9.80 (Windows NT 5.1; U; en) Presto/2.9.168 Version/11.51",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; de) Opera 11.51",
    "Opera/9.80 (X11; Linux x86_64; U; fr) Presto/2.9.168 Version/11.50",
    "Opera/9.80 (X11; Linux i686; U; hu) Presto/2.9.168 Version/11.50",
    "Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (X11; Linux i686; U; es-ES) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/5.0 Opera 11.11",
    "Opera/9.80 (X11; Linux x86_64; U; bg) Presto/2.8.131 Version/11.10",
    "Opera/9.80 (Windows NT 6.0; U; en) Presto/2.8.99 Version/11.10",
    "Opera/9.80 (Windows NT 5.1; U; zh-tw) Presto/2.8.131 Version/11.10",
    "Opera/9.80 (Windows NT 6.1; Opera Tablet/15165; U; en) Presto/2.8.149 Version/11.1",
    "Opera/9.80 (X11; Linux x86_64; U; Ubuntu/10.10 (maverick); pl) Presto/2.7.62 Version/11.01",
]

• 然后在项目中创建一个utils.py文件，在这个文件中自定义一个随机函数

import random
def get_randam_int(lst):
    return random.randint(0, len(lst)-1)

• 最后修改蜘蛛文件中的parse()方法，导入相关模块，调用自定义的随机函数生成随机User-gent添加到headers请求头中；

    def parse(self, response):
        headers = {
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            'Accept-Encoding': 'gzip, deflate',
            'Accept-Language': 'zh-CN,zh;q=0.9',
            'Connection': 'keep-alive',
            'host': 'dribbble.com',
            'Referer': 'https://dribbble.com/',
        }
        random_index = get_randam_int(user_agent_list)
        random_agent = user_agent_list[random_index]
        headers['User-Agent'] = random_agent
        a_nodes = response.css('header div.teaser a')
        for a_node in a_nodes:
            # print(a_node)
            a_url = a_node.css('::attr(href)').extract()[0]
            a_image_url = a_node.css('img::attr(src)').extract()[0]
            yield Request(headers=headers,url=parse.urljoin(response.url, a_url), callback=self.parse_analyse, meta={'a_image_url': a_image_url})

4.也可以在中间件中设置User Agent

5.调试工具

• 打开你需要爬虫的网页；

• 按键盘的F12或手动去浏览器右上角的“更多工具”选项选择开发者工具；

• 按键盘的F5刷新网页；

• 选择Network中的Doc；

• 点击Headers，就可以在最末尾查看Request Headers的User-Agent字段，也可以复制使用User-Agent字段；

参考： https://www.9xkd.com/user/plan-view.html?id=1782598054