爬虫策略:
1、动态User-Agent
(随机切换User-Agent,模拟不同用户的浏览器信息),使用中间件
class RandomUserAgentMiddleware(object):
def process_request(self, request, spider):
request.headers.setdefault('User-Agent', "xxx")
2、禁用Cookies
(也就是不启用cookies middleware,不向Server发送cookies,有些网站通过cookie的使用发现爬虫行为)可以通过COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭
# 禁用cookies,防止某些网站根据Cookie来封锁爬虫。
COOKIES_ENABLED = False
3、 延迟下载
(防止访问过于频繁,设置为 2秒 或更高)
# 设置下载延迟
DOWNLOAD_DELAY = 3
4、 缓存数据
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。
5、IP地址池
:VPN和代理IP,现在大部分网站都是根据IP来ban的。
class RandomProxyMiddleware(object):
def process_request(self, request, spider):
request.meta["proxy"] = "127.0.0.1:8888"
6、 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。
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'
参考