2017.08.10 Python爬虫实战之爬虫攻防篇

1.封锁user-agent破解：

user-agent是浏览器的身份标识，网站就是通过user-agent来确定浏览器类型的。有很多网站会拒绝不符合一定标准的user-agent请求网页，如果网站将频繁访问网站的user-agent作为爬虫的标志，然后加入黑名单该怎么办？

（1）首先在meiju项目下，settings.py的同级目录创建middlewares目录，进入middlewares目录，创建__init__.py，将middlewares目录变成一个Python模块

（2）创建资源文件resource.py和中间件文件customUserAgent.py：

（3）将多个浏览器的user-agent放入资源文件resource.py中加入列表待用：

#!/usr/bin/env python
#-*- coding: utf-8 -*-
UserAgents = [
  "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
  "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
  "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
  "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
  "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
  "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
  "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
  "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
  "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
  "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
  "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
  "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]


（4）修改customUserAgent，将资源文件中的user-agent随机选择一个出来，作为Scrapy的user-agent。

#!/usr/bin/env python
#-*- coding: utf-8 -*-

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
from meiju100.middlewares.resource import UserAgents

import random

class RandomUserAgent(UserAgentMiddleware):
    def process_request(self, request, spider):
        ua=random.choice(UserAgents)
        request.headers.setdefault('User-Agent',ua)

（5）最后修改settings.py文件，将RandomUserAgent加入DOWNLOADER_MIDDLEWARES

2.封锁IP破解：在反爬虫中，最容易被发觉的实际上是IP，同一IP短时间内访问同一站点，如果数量少，管理员可能会以为是网吧或者大型的局域网在访问，但是数目多了，很定就是爬虫了

解决这个难题的方法，就是准备一个代理池，从中随机选择一个代理使用：

（1）在之前创建的middlewares目录中，在resource.py文件中加入一个IP池，也就是代理服务器的列表：

（2）创建一个中间件，customProxy.py，这个中间件的作用就是让Scrapy爬取网站时随机使用IP池中的代理：

#!/usr/bin/env python
#-*- coding: utf-8 -*-

import random

from meiju100.middlewares.resource import PROXIES

class RandomProxy(object):
    def process_request(self,request,spider):
        proxy=random.choice(PROXIES)
        request.meta['proxy']='http://%s'%proxy
        

（3）最后修改settings.py文件，将customProxy加入到DOWNLOADER_MIDDLEWARES：

DOWNLOADER_MIDDLEWARES = {
    'meiju100.middlewares.customProxy.RandomProxy':10,
    'meiju100.middlewares.customUserAgent.RandomUserAgent': 30,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware':None,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware':20
}