scrapy下载中间件实现动态与固定UserAgent

前言关卡:实现动态切换User-Agentscrapy设置User-Agent方式梳理User-Agent生效梳理为何选择在下载中间件中实现自定义User-Agent下载中间件

结束

前言

请求头User-Agent是比较常规的反爬手段,不同站点对其检测机制各异,有的是检测是否是合规的浏览器User-Agent,有的是在这基础上检测使用次数与频率,更有甚者是跟ip和cookie绑定在一起检测,这就要求我们能够动态去切换User-Agent(随机or判定切换)。

关卡:实现动态切换User-Agent

scrapy设置User-Agent方式梳理

这里整理一下笔者已知的scrapy设置User-Agent的方式:

setting配置文件中设置DEFAULT_REQUEST_HEADERS 生成requests请求时设置请求头 setting配置文件中设置USER_AGENT 我们在源码看一下USER_AGENT的默认值 scrapy是有自带的USER_AGENT中间件的,而USER_AGENT就是跟它一起配合生效的,这个中间件默认也是开启的。所以大家注意了,如果我们直接使用scrapy自带的USER_AGENT机制,是很容易被是被为爬虫的!!! 自定义User-Agent下载中间件,这种方式其实跟方式3是一样的逻辑

User-Agent生效梳理

我们来调试一下方式1、方式2和方式3,看看三种方式同时设置时最终是哪个方式生效 如下图,按顺序分别为三种方式设置好User-Agent 如下图,在发起请求生成request队列前,方式1设置成功 如下图,生成request队列后,经过下载中间件可以看到方式2覆盖了方式1 我们仔细看下中间件的代码,特别是process_request这个具体实现方法。 在此之前先了解一下setdefault这个方法: setdefault是Python中字典的一个方法, 它用于在字典中查找指定键 如果键存在, 则返回对应的值; 如果键不存在,则在字典中添加该键,并将其值设置为指定的默认值 由于request.headers的User-Agent有值且是2,所以经过下载中间件后,它还是2 综上,我们可以得到结论:

方式1、方式2和方式3共存时,结果会取方式2只存在方式1、方式2时,结果会取方式2只存在方式1、方式3时,结果会取方式1方式3要生效必须只有它这种方式

为何选择在下载中间件中实现

首先要说明一下,并非一定要在中间件中才能实现User-Agent动态切换,也可以在脚本开发中对每次生成的request请求时动态设置User-Agent(请求头),但这种方式在笔者看来是不符合python之美的,功能未解耦而不够灵活,每个脚本都要单独实现,既繁琐又提高学习成本。

自定义User-Agent下载中间件

既然选择自定义中间件,那我们就可以随便玩了 首先思考一下,根据需求整理出设计方案:

动态:随机生成User-Agent切换:控制是否动态生成全局:需要适配不同场景(固定、动态、切换)

通过上面的思考,在一个全局改动的位置要适配各式各样的脚本应用场景,就需要引入全局控制参数来实现点对点应用,下面是笔者的想法: 在request.meta中增加 auto_change_ua,change_ua,_ua三个参数来实现, auto_change_ua是自动切换,每次request都会切换User-Agent change_ua是一个切换,当前request会切换User-Agent _ua是固定存储,不切换时一直使用它 同时准备User-Agent列表,用于随机生成,大致样式如下:

def get_random_ua(self):

"""Return a ua if possible"""

return random.choice(self.ua_list)

def process_request(self, request, spider):

meta = request.meta

ua = None

if meta.get('auto_change_ua') or meta.get('change_ua', None):

ua = self.get_random_ua()

elif meta.get('_ua', None):

ua = meta['_ua']

elif not request.headers.get('User-Agent', None):

ua = self.get_random_ua()

if ua:

request.headers['User-Agent'] = ua

def process_response(self, request, response, spider):

request.meta['_ua'] = request.headers['User-Agent']

if 'change_ua' in request.meta:

del request.meta['change_ua']

if 'auto_change_ua' in request.meta:

request.meta['change_ua'] = True

return response

开发好后需要在setting的DOWNLOADER_MIDDLEWARES配置才能生效,同时,记得把原生的UserAgentMiddleware设置为None,不然它还是会开启的。

结束

这个关卡的设计方案是笔者根据自己业务场景实现的,大家如果有同样的需求,需要结合自己的业务场景来思考、设计与实现。 好了,分享就到这了,有啥错误的地方请指正~

推荐链接

评论可见,请评论后查看内容,谢谢!!!
 您阅读本篇文章共花了: