爬虫过程中遇到的防爬措施

1.用scrapy爬取赶集网租房信息时，由于访问频繁，需要通过验证码才能访问页面；

解决方案：

网站通过用户的Cookie信息对用户进行识别与分析，所以要防止目标网站识别我们的会话信息。

在Scrapy中，我们可以在爬虫项目的setting.py文件中进行设置

将setting.py中的下面两行代码里的

COOKIES_ENABLED = False 的注释去掉即可。

2.爬虫过程中遇到重定向问题

爬取赶集网次数可能太多，爬虫时网址被重定向到验证码页面。

2018-08-31 16:59:55 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (302) to <GET https://callback.ganji.com/firewall/valid/2093665982.do?namespace=ganji_zufang_detail_pc&url=http%3A%2F%2Fbj.ganji.com%2
Ffang1%2F3541105246x.htm%3Fadtype%3D3> from <GET http://bj.ganji.com/fang1/3541105246x.htm?adtype=3>

解决方法：

1.在Request中将scrapy的dont_filter=True，因为scrapy是默认过滤掉重复的请求URL；

2.添加headers；

2.设置下载延时

部分网站通过分析我们的爬取频率对爬虫进行禁止或限制，所以我们需要控制爬取时间间隔。

在Scrapy中同样是在setting.py文件中进行设置。

在这里，我设置爬取间隔为 0.7。

3.设置用户代理池

在setting.py中添加用户代理池

添加好用户代理池之后，还需要创建下载中间件。在C:/Mycrawl/Mycrawl下新建Myuseragent.py文件，在里面编辑

import random
from Mycrawl.settings import UAPOOL
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware

class MyUAmid(UserAgentMiddleware):
    def __init__(self, user_agent=''):
        self.user_agent = user_agent

    def process_request(self, request, spider):
        Myua = random.choice(UAPOOL)
        print('当前使用的User-Agent是%s'%Myua)
        request.headers.setdefault('User-Agent', Myua)

然后在settings.py中将该文件设置为爬虫项目的下载中间件，

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    #'Mycrawl.middlewares.MycrawlDownloaderMiddleware': 543,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware':2,
    'Mycrawl.MyUserAgent.MyUAmid':1,
}

其中的 DOWNLODER_MIDDLEWARES 就是下载中间件的意思。

设置好之后就可以运行爬虫文件了。

4.访问频率大，网页爬取需要验证码验证