• 第六届中国创业投资高峰论坛在深成功举行 2019-05-23
  • 如何制订企业发展计划 2019-05-09
  • 酒成为5月基金上涨最大功臣,白酒行情景气?白酒 基金 2019-05-09
  • 日研究用iPS细胞再现小脑疾病成因 2019-04-30
  • 万水千山粽是情 带你了解端午节民俗文化——黄河新闻网 2019-04-30
  • 端午节起中国公民出入境通关排队不超过30分钟 2019-04-27
  • 物智 —频道 春城壹网 七彩云南 一网天下 2019-04-19
  • 西藏职业技术学院全面推进毕业生就业创业 2019-04-19
  • 南瓜子营养价值高 这样吃最健康-美食资讯 2019-04-15
  • 国家统计局:5月份能源生产总体平稳 2019-04-15
  • 衔接“新高考” 要求变更高 2019-03-26
  • 上交所向“中技系”两公司下发监管工作函 2019-03-24
  • 对,这实质上是货币战争。美国的这些行动是要让前些年泛滥发行的美元裹携各国人民的血汗回流美国,经济的、军事的、政治的手段都要用上,中国对此要有足够的准备。 2019-03-24
  • 新疆公益组织,公益求助,晨报救命血联盟 2019-03-21
  • 以新的更大作为发挥广东两个重要窗口作用 2019-03-21
  • 上海选四开奖结果号:Spider

    今天上海选四开奖号码 www.kcnj.net

    李庆安见李俅表情有些古怪,便猜到恐怕他也脱不了干系,便不再多问,换一个话题道:“既然王爷已被平反,为何他不在其中?”

    馒头柳9月份可以种植吗?

    巡逻队里的十来个鬼子不到五六分钟就被韩非带着的兄弟们给全部收拾了,其实这次韩非他们是以多打少,三十来个特种兵打十二个鬼子普通步兵,而且还是全力猛扑上来的势头,这些小鬼子能扛得住五分钟算是相当不错的了!
    所以叶扬便是召来了一个记女,他就是想要感受一下法国女人的豪放和温柔。

    在那个老头的攻击下,那骨魔是节节败退。突然,那老头一招轰了过去,将骨魔打倒在地。

    Spider


    1. 通常防止爬虫被反主要有以下几个策略

    (1)动态设置User-Agent(随机切换User-Agent,模拟不同的浏览器)

    方法1: 修改setting.py中的User-Agent

    # Crawl responsibly by identifying yourself (and your website) on the user-agent
    USER_AGENT = "Hello World"  #User-Agent

    方法2: 修改setting中的 DEFAULT_REQUEST_HEADERS

    # Override the default request headers:
     DEFAULT_REQUEST_HEADERS = {
        "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
        "Accept-Language": "en",
        "User-Agent":"Hello World"
     }

    方法3 : 在代码中修改

    class HeadervalidationSpider(scrapy.Spider):
        name = "headervalidation"
        allowed_domains = ["helloacm.com"]
        
        def start_requests(self):
            header={"User-Agent":"Hello World"}
            yield scrapy.Request(url="//helloacm.com/api/user-agent/",headers=header,callback=self.parse)
    
        def parse(self, response):
            print ("*"*20)
            print response.body
    (2)禁用Cookies

    就是不启用cookies middleware,不向Server发送cookies,有些网站通过cookie的使用发现爬虫行为

    1. 可以通过settings.py中的COOKIES_ENABLED , 控制 CookiesMiddleware 开启或关闭

    2. 设置延迟下载(防止访问过于频繁,设置为 2秒 或更高)DOWNLOAD_DELAY

    3. Google Cache 和 Baidu Cache:如果可能的话,使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据。

    4. 使用IP地址池:VPN和代理IP,现在大部分网站都是根据IP来ban的

    5. 使用Crawlera(专用于爬虫的代理组件),正确配置和设置下载中间件后,项目所有的request都是通过crawlera发出。在settings中打开下载中间件

      DOWNLOADER_MIDDLEWARES = {
            "scrapy_crawlera.CrawleraMiddleware": 600
      }
      CRAWLERA_ENABLED = True
      CRAWLERA_USER = "注册/购买的UserKey"
      CRAWLERA_PASS = "注册/购买的Password"

    2.设置下载中间件(Downloader Middlewares)

    下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件,可以有多个下载中间件被加载运行。

    1. 当引擎传递请求给下载器过程中,下载中间件可以对请求进行处理 (增加http header信息 proxy信息等);
    2. 在下载器完成http请求,传递响应给引擎过程中,下载中间件可以对响应进行处理(例如进行gzip的解压等)

    要激活下载器中间件组件,将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict),键为中间件类的路径,值为其中间件的顺序(order)。

    #开放下载中间件
    DOWNLOADER_MIDDLEWARES = {
        "mySpider.middlewares.MyDownloaderMiddleware": 543,
    }

    一般下载中间件可以定义一下一个或多个方法:

    process_request(self, request, spider)
    • 当每个request通过下载中间件时,该方法被调用。
    • process_request() 返回其中之一:None 、 Response 对象、 Request 对象或 raise IgnoreRequest:
      • 如果其返回 None ,Scrapy将继续处理该request,执行其他的中间件的相应方法,直到合适的下载器处理函数(download handler)被调用, 该request被执行(其response被下载)。
      • 如果返回 Response 对象,Scrapy将不会调用 任何 其他的 process_request() 或 process_exception() 方法。 已安装的中间件的 process_response() 方法则会在每个response返回时被调用。
      • 如果其返回 Request 对象,Scrapy则停止调用 process_request方法并重新调度返回的request。当新返回的request被执行后, 相应地中间件链将会根据下载的response被调用。
      • 如果其raise一个 IgnoreRequest 异常,则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常, 则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常, 则该异常被忽略且不记录(不同于其他异常那样)。
    • 参数:
      • request (Request 对象) – 处理的request
      • spider (Spider 对象) – 该request对应的spider

    process_response(self, request, response, spider)

    当下载器完成http请求,传递响应给引擎的时候调用

    • process_response() 必须返回以下其中之一: 返回一个 Response 对象、 返回一个 Request 对象或raise一个 IgnoreRequest 异常。
      • 如果其返回一个 Response (可以与传入的response相同,也可以是全新的对象), 该response会被在链中的其他中间件的 process_response() 方法处理。
      • 如果其返回一个 Request 对象,则中间件链停止, 返回的request会被重新调度下载。处理类似于 process_request() 返回request所做的那样。
      • 如果其抛出一个 IgnoreRequest 异常,则调用request的errback(Request.errback)。 如果没有代码处理抛出的异常,则该异常被忽略且不记录(不同于其他异常那样)。
    • 参数:
      • request (Request 对象) – response所对应的request
      • response (Response 对象) – 被处理的response
      • spider (Spider 对象) – response所对应的spider

    3 案例

    1. 创建middlewares.py文件

      Scrapy代理IP、Uesr-Agent的切换都是通过DOWNLOADER_MIDDLEWARES进行控制,我们在settings.py同级目录下创建middlewares.py文件,包装所有请求。

    # middlewares.py
    
    import random
    from settings import USER_AGENTS
    from settings import PROXIES
    
    # 随机的User-Agent
    class RandomUserAgent(object):
        def process_request(self, request, spider):
            useragent = random.choice(USER_AGENTS)
            request.headers.setdefault("User-Agent", useragent)
    
    # 随机代理IP
    class RandomProxy(object):
        def process_request(self, request, spider):
            proxy = random.choice(PROXIES)
            request.meta["proxy"] = "//" + proxy["ip_port"]
    1. 修改settings.py配置USER_AGENTS和PROXIES

    添加USER_AGENTS

    USER_AGENTS = [
        "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)"]

    添加代理IP设置PROXIES:

    PROXIES = [
        {"ip_port": "111.8.60.9:8123"},
        {"ip_port": "101.71.27.120:80"},
        {"ip_port": "122.96.59.104:80"},
        {"ip_port": "122.224.249.122:8088"},
    ]

    除非特殊需要,禁用cookies,防止某些网站根据Cookie来封锁爬虫。

    COOKIES_ENABLED = False

    设置延迟

    DOWNLOAD_DELAY = 3

    最后设置setting.py里的DOWNLOADER_MIDDLEWARES,添加自己编写的下载中间件类

    DOWNLOADER_MIDDLEWARES = {
        #"mySpider.middlewares.MyCustomDownloaderMiddleware": 543,
        "mySpider.middlewares.RandomUserAgent": 81,
        "mySpider.middlewares.ProxyMiddleware": 100
    }

    当前文章://www.kcnj.net/495653/10644917.html

    发布时间:2019-05-27 02:47:14

    北方能种植鸡爪槭吗? 冰草种子什么时间种植比较适合? 多年生高产牧草品种有哪些? 重庆哪里有卖番石榴种子的? 大阪松树结种子吗? 冬季沙藏的加拿利海枣种子多少钱一斤? 夏季能不能播种白术? 绣球花每平方多少棵?

    买红叶碧桃,就来全国大型苗木种植区,好货多价格低 榉树价格表哪家靠谱? 狗牙根种子几月播种最好? 蜜蔗一号牧草生长温度 非洲菊种子哪家便宜? 黑龙江适合种植积壳吗? 7月可以播种大叶女贞吗? 木荷种子什么温度发芽最好? 茴香种子能发芽吗?

    编辑:辛侯华宗

      

    Comments are closed.

  • 第六届中国创业投资高峰论坛在深成功举行 2019-05-23
  • 如何制订企业发展计划 2019-05-09
  • 酒成为5月基金上涨最大功臣,白酒行情景气?白酒 基金 2019-05-09
  • 日研究用iPS细胞再现小脑疾病成因 2019-04-30
  • 万水千山粽是情 带你了解端午节民俗文化——黄河新闻网 2019-04-30
  • 端午节起中国公民出入境通关排队不超过30分钟 2019-04-27
  • 物智 —频道 春城壹网 七彩云南 一网天下 2019-04-19
  • 西藏职业技术学院全面推进毕业生就业创业 2019-04-19
  • 南瓜子营养价值高 这样吃最健康-美食资讯 2019-04-15
  • 国家统计局:5月份能源生产总体平稳 2019-04-15
  • 衔接“新高考” 要求变更高 2019-03-26
  • 上交所向“中技系”两公司下发监管工作函 2019-03-24
  • 对,这实质上是货币战争。美国的这些行动是要让前些年泛滥发行的美元裹携各国人民的血汗回流美国,经济的、军事的、政治的手段都要用上,中国对此要有足够的准备。 2019-03-24
  • 新疆公益组织,公益求助,晨报救命血联盟 2019-03-21
  • 以新的更大作为发挥广东两个重要窗口作用 2019-03-21