Scrapy研究探索（七）——如何防止被ban之策略大集合

話說在嘗試設定download_delay小於1，並且無任何其他防止被ban的策略之後，我終於成功的被ban了。如下：

敵退我進，敵攻我擋。

本篇部落客要研究使用防止被ban的幾大策略以及在scrapy中的使用。

1.策略一：設定download_delay

這個在之前的教程中已經使用過（http://blog.csdn.net/u012150179/article/details/34913315），他的作用主要是設定下載的等待時間，大規模集中的訪問對伺服器的影響最大，相當與短時間中增大伺服器負載。

下載等待時間長，不能滿足段時間大規模抓取的要求，太短則大大增加了被ban的幾率。

使用注意：

download_delay可以設定在settings.py中，也可以在spider中設定，在之前部落格中（http://blog.csdn.net/u012150179/article/details/34913315）已經使用過，這裡不再過多闡述。

2.策略二：禁止cookies

所謂cookies，是指某些網站為了辨別使用者身份而儲存在使用者本地終端（Client Side）上的資料（通常經過加密），禁止cookies也就防止了可能使用cookies識別爬蟲軌跡的網站得逞。

使用：

在settings.py中設定COOKIES_ENABLES=False。也就是不啟用cookies middleware，不想web server發送cookies。

3.策略三：使用user agent池

所謂的user agent，是指包含瀏覽器資訊、作業系統資訊等的一個字串，也稱之為一種特殊的網路通訊協定。伺服器通過它判斷當前訪問對象是瀏覽器、郵件用戶端還是網路爬蟲。在request.headers可以查看user agent。如下，使用scrapy shell查看：

scrapy shell http://blog.csdn.net/u012150179/article/details/34486677

進而輸入如下，可得到uesr agent資訊：

由此得到,scrapy本身是使用Scrapy/0.22.2來表明自己身份的。這也就暴露了自己是爬蟲的資訊。

使用：

首先編寫自己的UserAgentMiddle中介軟體，建立rotate_useragent.py,代碼如下：

# -*-coding:utf-8-*-from scrapy import log"""避免被ban策略之一：使用useragent池。使用注意：需在settings.py中進行相應的設定。"""import randomfrom scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddlewareclass RotateUserAgentMiddleware(UserAgentMiddleware):    def __init__(self, user_agent=''):        self.user_agent = user_agent    def process_request(self, request, spider):        ua = random.choice(self.user_agent_list)        if ua:            #顯示當前使用的useragent            print "********Current UserAgent:%s************" %ua            #記錄            log.msg('Current UserAgent: '+ua, level='INFO')            request.headers.setdefault('User-Agent', ua)    #the default user_agent_list composes chrome,I E,firefox,Mozilla,opera,netscape    #for more user agent strings,you can find it in http://www.useragentstring.com/pages/useragentstring.php    user_agent_list = [\        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"       ]

建立user agent池（user_agent_list）並在每次發送request之前從agent池中隨機選取一項設定request的User_Agent。編寫的UserAgent中介軟體的基類為UserAgentMiddle。

除此之外，要在settings.py(設定檔)中禁用預設的useragent並啟用重新實現的User Agent。配置方法如下：

#取消預設的useragent,使用新的useragentDOWNLOADER_MIDDLEWARES = {        'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,        'CSDNBlogCrawlSpider.spiders.rotate_useragent.RotateUserAgentMiddleware' :400    }

至此配置完畢。現在可以運行看下效果。

可以發現一直在變化的UserAgent。

4.策略四：使用IP池

web server應對爬蟲的策略之一就是直接將你的IP或者是整個IP段都封掉禁止訪問，這時候，當IP封掉後，轉換到其他的IP繼續訪問即可。

可以使用Scrapy+Tor+polipo

配置方法與使用教程可參見：http://pkmishra.github.io/blog/2013/03/18/how-to-run-scrapy-with-TOR-and-multiple-browser-agents-part-1-mac/。有時間我會翻譯過來。

5.策略五：分布式爬取

這個，內容就更多了，針對scrapy，也有相關的針對分布式爬取的GitHub repo。可以搜一下。