《机工社2023Python网络爬虫技术与实践教学课件u10》由会员分享，可在线阅读，更多相关《机工社2023Python网络爬虫技术与实践教学课件u10（16页珍藏版）》请在金锄头文库上搜索。
1、爬虫框架SCRAPY与反爬虫第10章更强大的爬虫Add Text点击此处添加标题1.scrapy的使用。的使用。2.基于基于scrapy框架的爬虫编写。框架的爬虫编写。3.常见反爬虫机制常见反爬虫机制及及应对方案。应对方案。目录更强大的爬虫1.scrapy的使用的使用Scrapy：Scrapy是一个“为了爬取网站数据，提取结构性数据而编写的Python应用框架，可以应用在包括数据挖掘，信息处理或存储历史数据等各种程序中更强大的爬虫1.熟悉熟悉scrapy的使用的使用Scrapy爬虫框架的组件：引擎引擎(Scrapy):用来处理整个系统的数据流处理,触发事务，是框架的核心调调度度器器(Sched
2、uler):用来接受引擎发过来的请求,将请求放入队列中,并在引擎再次请求的时候返回。它决定下一个要抓取的网址,同时担负着网址去重这一重要工作。下载器下载器(Downloader):用于下载网页内容,并将网页内容返回给爬虫。下载器的基础是twisted，一个Python网络引擎框架。爬爬虫虫(Spiders):用于从特定的网页中提取自己需要的信息,即Scrapy中所谓的实体(Item)。也可以从中提取出链接，让Scrapy继续抓取下一个页面管管道道(Pipeline):负责处理爬虫从网页中抽取的实体，主要的功能是持久化信息、验证实体的有效性、清洗信息等。当页面被爬虫解析后，将被发送到管道，并经过
3、特定的程序来处理数据。下载器中间件下载器中间件(Downloader Middlewares):Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。爬虫中间件爬虫中间件(Spider Middlewares):Scrapy引擎和爬虫之间的框架，主要工作是处理爬虫的响应输入和请求输出。调度中间件调度中间件(Scheduler Middewares):Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。更强大的爬虫1.熟悉熟悉scrapy的使用的使用Scrapy爬虫的工作流程：1.引擎打开一个网站，找到处理该网站的爬虫（spider），
4、并向该spider请求第一个要爬取的url。2.引擎从spider中获取到第一个要爬取的url并在调度器(scheduler)中以requests调度。3.引擎向调度器请求下一个要爬取的url。4.调度器返回下一个要爬取的url给引擎，引擎将url通过下载器中间件转发给下载器(Downloader)。一旦页面下载完毕，下载器会生成一个该页面的responses，并将其通过下载器中间件发送给引擎。引擎从下载器中接收到responses并通过spider中间件(SpiderMiddlewares)发送给spider处理。之后spider处理responses并返回爬取到的Item及发送(跟进的)新
5、的resquests给引擎。引擎将爬取到的Item传递给ItemPipeline，将(spider返回的)requests传递给调度器。重复以上从第二步开始的过程直到调度器中没有更多的request，最终引擎关闭网站。更强大的爬虫2.基于基于scrapy框架的爬虫编写框架的爬虫编写安装安装Scrapy首先需要使用以下命令安装lxml库：pipinstalllxml如果已经安装lxml，那就可以直接安装Scrapy：pipinstallscrapy创建Scrapy项目进入自己想要存放项目的目录下，也可以现在直接新建一个目录（文件夹），这里我们在终端中使用命令创建一个新目录并进入：mkdirnew
6、crawlercdnewcrawler/之后我们执行Scrapy框架的对应命令：scrapystartprojectnewcrawler更强大的爬虫2.基于基于scrapy框架的爬虫编写框架的爬虫编写标准的标准的Scrapy爬虫项目结构爬虫项目结构：在Linux和MacOS系统中可以使用tree命令来查看文件目录的树形结构。Linux下执行命令“apt-getinstalltree”即可安装这个工具。MacOS下可以使用homebrew工具并执行“brewinstalltree”命令来安装Item：定义了爬虫的“实体”类middlewares.py是中间件文件Pipeline：管道文件Spid
7、ers：具体的爬虫scrapy.cfg：爬虫的配置文件更强大的爬虫2.基于基于scrapy框架的爬虫编写框架的爬虫编写定制爬虫程序：根据自己的需求定义不同的Item对于一个爬虫项目可以有多个不同的爬虫类，因为很多时候我们会想要在一组网页中收集不同类别的信息（比如一个电影介绍网页的演员表、剧情简介、海报图片等），我们可以为它们设定独立的Item类，再用不同的爬虫进行爬取配置爬虫settings.py中的重要设置重要设置BOT_NAME:Scrapy项目的bot名称，使用startproject命令创建项目时会自动赋值。ITEM_PIPELINES:保存项目中启用的pipeline及其对应顺序，使
8、用一个字典结构。字典默认为空，值(value)一般设定在0-1000范围内。数字小代表优先级高。LOG_ENABLED:是否启用logging，默认为TrueLOG_LEVEL:设定log的最低级别USER_AGENT:默认的用户代理#-*-coding:utf-8-*-import scrapyfrom scrapy.selector import Selectorfrom.items import TextItemclass DoubanspiderSpider(scrapy.Spider):name=DoubanSpider allowed_domains= start_urls=htt
9、ps:/ parse(self,response):item=TextItem()h1text=response.xpath(/a/text().extract()print(Text is+.join(h1text)itemtext=h1text return item为避免被网站屏蔽，爬取网站时我们经常要定义和修改user-agent值（用户代理），将爬虫程序的对网站的访问“伪装”成正常的浏览器请求。关于如何处理网站的反爬虫机制，在后面的章节中我们会继续讨论。更强大的爬虫2.基于基于scrapy框架的爬虫编写框架的爬虫编写运行爬虫：scrapycrawlspidername其他框架:除了简
10、单的scrapy.Spider，Scrapy还提供了诸如CrawlSpider、csvfeed等爬虫模板PySpiderPortiaWebMagic（Java）更强大的爬虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案反爬虫机制反爬虫机制：识别出一个访问是来自于真实用户还是来自于开发编写的计算机程序反爬虫策略1.识别request headers信息2.使用AJAX和动态加载3.验证码4.更改服务器返回的信息5.限制或封禁IP6.修改网页或URL内容7.账号限制更强大的爬虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案1.识别request headers信息：一种十分基础的反爬虫
11、手段，主要是通过验证headers中的User-Agent信息来判定当前访问是否来自于常见的界面浏览器。更复杂的headers信息验证则会要求验证Referer、Accept-encoding等信息，一些社交网络的页面甚至会根据某一特定的页面类别使用独特的headers字段要求。2.使用AJAX和动态加载：严格的说不是一种为反爬虫而生的手段，但由于使用了动态页面，如果对方爬虫只是简单的静态网页源码解析程序，那么就能够起到保护数据和流量的作用。3.验证码：验证码机制（我们在前面的内容已经涉及）与反爬虫机制的出发点非常契合，那就是辨别出机器程序和人类用户的不同。因此验证码被广泛用于限制异常访问，一
12、个典型场景是，当页面受到短时间内频次异常高的访问后，就在下一次访问时弹出验证码。作为一种具有普遍应用场景的安全措施，验证码无疑是整个反爬虫体系的重要一环。更强大的爬虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案4.更改服务器返回的信息：通过加密信息、返回虚假数据等方式保护服务器返回的信息，避免被直接爬取，一般会配合AJAX技术使用。5.限制或封禁IP：这是反爬虫机制最主要的“触发后动作”，判定为爬虫后就限制乃至封禁当前来自IP地址的访问。6.修改网页或URL内容：尽量使得网页或URL结构复杂化，乃至通过对普通用户隐藏某些元素和输入等方式来区别用户和爬虫7.账号限制：只有登录账号才能够访
13、问网站数据。更强大的爬虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案几种避开网站几种避开网站反反爬虫机制的方法爬虫机制的方法：从道德和法律的角度出发，我们应该坚持“友善”的爬虫，不仅仅需要考虑可能会对网站服务器造成的压力（比如，我们应该至少设置一个不低于几百毫秒的访问间隔时间），更应该考虑我们对爬取到的数据采取的态度，对于很多网站上的数据（尤其是那些由网站用户创作的数据，UGC）而言，滥用这些数据可能会造成侵权行为。如有必要，在尽量避免商业应用的时候，还应该关注网站本身对这些数据的声明。伪装headers信息 使用代理IP 修改访问频率 动态拨号更强大的爬虫3.常见反爬虫机制常见反爬虫
14、机制及及应对方案应对方案伪装headers信息使用requests就可以十分快速地自定义我们的请求头信息，requests原始GET操作的请求头信息是非常“傻瓜”式的，几乎等于正大光明地告诉网站“我是爬虫”。WhatIsMyBrowser是一个能够提供浏览请求识别信息的站点，其中的header信息查看页面十分实用，我们就通过这个页面来观察requests爬虫的原始headers信息。Accept指定客户端能够接收的内容类型Accept-Encoding浏览器可以支持的web服务器返回内容压缩编码类型Accept-Language浏览器可接受的语言AuthorizationHTTP授权的授权证书
15、Cache-Control指定请求和响应遵循的缓存机制Connection是否需要持久连接CookieCookie信息Date请求发送的日期和时间Expect请求的特定的服务器行为Host指定请求的服务器主机的域名和端口号等If-Unmodified-Since 只在实体在指定时间之后未被修改才请求成功Max-Forwards限制信息通过代理和网关传送的时间Pragma用来包含实现特定的指令Range只请求实体的一部分，指定范围Referer先前网页的地址User-AgentUser-Agent的内容包含发出请求的用户信息，主要是浏览器信息Via通知中间网关或代理服务器地址，通信协议更强大的爬
16、虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案使用代理IP：代理IP应该叫“代理IP服务器”，其目标就是代理用户去获取网络上的信息，类似于中转站的作用。代理服务器是介于客户端（浏览器等）和服务器之间的另一台“中介”服务器，代理会访问目标网站，而用户需要通过代理来获取最终所需要的网络信息。代理池：代理IP可以通过各种IP平台乃至IP池服务来获得，这方面的资源网络上非常多，一些开发者也维护着可以公开免费试用的代理IP服务proxies参数参数：在requests中使用代理IP的常见方式更换不同代理IP的程序，就会让网站误以为收到了不同的请求，从而达到“刷访问量”的效果，但其背后的技术原理是与躲避反爬虫机制有关的，也就是说，通过伪装不同IP的方式让网站方无法“记住”和“识别”我们的程序，从而避免被封禁。更强大的爬虫3.常见反爬虫机制常见反爬虫机制及及应对方案应对方案控制访问频率：有一些网站可能会阻止用户过快地访问页面或提交数据（如表单数据），因此，如果以一个比普通用户快很多的速度（“速度”一般指频率）访问网站，尤其是访问一些特定的页面，也有可能被反爬虫机制认为是异常活动降低访问频率：
