Python爬虫：防止爬虫被禁的策略

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

1. 爬虫框架Scrapy之Downloader Middlewares
2. 下载器中间件(Downloader Middleware)