Lanson编程技术分享

Lanson编程技术分享

Python反爬研究总结

反爬虫常见套路

  1. 判断user-agent

  2. 校验referer头

  3. 校验cookie

  4. 同一IP访问次数限制

  5. js/ajax动态渲染页面

反反爬虫应对策略

1、user-agent头校验

每次请求设置随机user-agent头。可以引入fake_useragent模块或从http://useragentstring.com/pages/useragentstring.php?typ=browser获取最新请求头。

通过scrapy框架实现,download_middleware中间件,process_request方法。示例:

# 自定义User-Agent列表
request.headers['User-Agent'] = random.choice(USER_AGENTS)

# fake_useragent方式实现
from fake_useragent import UserAgent
request.headers['User-Agent'] = str(UserAgent().random)

2、校验referer头

  1. 设置referer为网站主域名

  2. 通过selenium爬取,selenium会自动为每次请求增加referer头

3、校验cookie

对方的网站的cookie规则无法分析/破解难度太大。可以通过selenium/splash处理对cookie的操作,建立cookie池

4、同一ip访问次数限制

如果同一个ip在某个时间段访问频次过高,会被认为是爬虫,封掉ip。解决办法:

1.使用代理ip

1) 批量获取ip,构成ip池
2) 分次请求代理ip接口,每次请求一条ip,获取ip和过期时间

scrapy实现方式,download_middleware中间件,process_request方法。示例:

request.meta['proxy'] = proxy

2.设置抓取频率

修改scrapy settings文件

# 设置下载延迟 3s
DOWNLOAD_DELAY = 3

代理平台对比

指标平台 芝麻代理 快代理 ...
稳定性 中(测试过程中,未发现代理不能用的情况) 未使用,不明确 ...
灵活性 高(参数配置灵活,通过url调用) 未使用,不明确 ...

5、js/ajax动态渲染页面

此类网站可以通过selenium或者splash工具来进行处理。各自优缺点对比:

指标工具 selenium splash
性能 低(每次请求需页面加载完才能进行下一步处理) 高(Twisted和QT,发挥webkit并发能力)
效率 低(模拟浏览器,浏览器底层初始化一些流程) 高(Twisted和QT,发挥webkit并发能力)
运维成本 低(作为scrapy一个类库调用) 高(需配合docker使用,开启docker-splash服务)
内存 高(随时间推移,占用内存越高) 待测试...
灵活性 高(参数配置方便)
使用范围 浏览器测试自动化工具 异步渲染页面

综上所述,爬取动态页面数据,在效率以及爬取性能上,splash会有明显优势。

&Question

1、如何确保100%爬取?

1、代理ip稳定

2、建立失败请求重试机制

2、代理ip被对方网站封掉如何处理?(重试机制?)

通过scrapy框架download_middleware中间件,process_response方法来判断返回参数进行处理。示例:

    def process_response(self, request, response, spider):
        
        # 判断response状态码 或 返回内容为验证码,则获取新的代理ip
        if response.status != 200:
            self.logger.info('ip被拉黑')
            
            # 更新代理ip
            self.update_proxy()
            
            # 返回request对象 重新发起请求
            return request

        # 返回response到爬虫脚本
        return response

也可以作为重试机制之一。

3、selenium代理设置问题及替代方案

通过资料查找以及实践踩坑发现selenium对于代理ip的设置不太友好,而且如何动态切换代理ip也是个问题(也可以实现)。

splash设置动态ip比较方便。示例:

  1. 中间件实现

class ProxyMiddleware(object):
      def process_request(self, request, spider):
          request.meta['splash']['args']['proxy'] = proxyServer
          proxy_user_pass = "USERNAME:PASSWORD"
          encoded_user_pass = base64.encodestring(proxy_user_pass)
          request.headers["Proxy-Authorization"] = 'Basic ' + encoded_user_pass
  1. spider实现

def start_requests(self):
    for url in self.start_urls:
        yield SplashRequest(url,
            url=url,
            callback=self.parse,
            args={
                   'wait': 5,
                   'proxy': 'http://proxy_ip:proxy_port'
            }

4、验证码问题

  1. 手动认证(效率太低... 需要人工

  2. 更换ip (方便

  3. 打码平台 (一般的识别验证码类库不稳定,打码平台一般都需要收费

选择哪个,哪种方式更适合,需要测试以及项目需求才能确定。

5、如何高效抓取

  1. 破解对方ajax请求,通过ajax请求获取数据,不走页面

  2. mysql连接池(Twisted、adbapi)

  3. Redis分布式爬虫(Spider.Redis)

  4. 数据写入redis或MongoDB,异步读入mysql

6、Splash

这里以亚马逊为例,爬取亚马逊,使用Splash没有用selenium好,使用splash总是会出现响应丢失的情况,估计是响应时间太长了,后续还需要更加完善的测试。

 

预选方案

splash + 代理ip + 随机user_agent + cookie池 + 分布式爬虫

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

网站分类
    «   2020年5月   »
    123
    45678910
    11121314151617
    18192021222324
    25262728293031
    文章归档
    友情链接
    最近发表
    标签列表

      Powered By Z-BlogPHP 1.5.2 Zero

      版权所有 ©Lanson编程技术 粤ICP备18051278-1号