爬蟲與反爬蟲，這相愛相殺的一對，簡直可以寫出一部壯觀的鬥爭史。而在大資料時代，資料就是金錢，很多企業都為自己的網站運用了反爬蟲機制，防止網頁上的資料被爬蟲爬走。然而，如果反爬機制過於嚴格，可能會誤傷到真正的使用者請求；如果既要和爬蟲死磕，又要保證很低的誤傷率，那麼又會加大研發的成本。
簡單低階的爬蟲速度快，偽裝度低，如果沒有反爬機制，它們可以很快的抓取大量資料，甚至因為請求過多，造成伺服器不能正常工作。而偽裝度高的爬蟲爬取速度慢，對伺服器造成的負擔也相對較小。所以，網站反爬的重點也是那種簡單粗暴的爬蟲，反爬機制也會允許偽裝度高的爬蟲，獲得資料。畢竟偽裝度很高的爬蟲與真實使用者也就沒有太大差別了。
這篇文章主要討論使用Scrapy框架時，如何應對普通的反爬機制。
header檢驗
最簡單的反爬機制，就是檢查HTTP請求的Headers資訊，包括User-Agent, Referer、Cookies等。
User-Agent
User-Agent是檢查使用者所用客戶端的種類和版本，在Scrapy中，通常是在下載器中介軟體中進行處理。比如在setting.py中建立一個包含很多瀏覽器User-Agent的列表，然後新建一個random_user_agent檔案：
|
1 2 3 4 5 6 |
class RandomUserAgentMiddleware(object): @classmethod def process_request(cls, request, spider): ua = random.choice(spider.settings['USER_AGENT_LIST']) if ua: request.headers.setdefault('User-Agent', ua) |
這樣就可以在每次請求中，隨機選取一個真實瀏覽器的User-Agent。
Referer
Referer是檢查此請求由哪裡來，通常可以做圖片的盜鏈判斷。在Scrapy中，如果某個頁面url是通過之前爬取的頁面提取到，Scrapy會自動把之前爬取的頁面url作為Referfer。也可以通過上面的方式自己定義Referfer欄位。
Cookies
網站可能會檢測Cookie中session_id的使用次數，如果超過限制，就觸發反爬策略。所以可以在Scrapy中設定COOKIES_ENABLED = False讓請求不帶Cookies。
也有網站強制開啟Cookis，這時就要麻煩一點了。可以另寫一個簡單的爬蟲，定時向目標網站傳送不帶Cookies的請求，提取響應中Set-cookie欄位資訊並儲存。爬取網頁時，把儲存起來的Cookies帶入Headers中。
X-Forwarded-For
在請求頭中新增X-Forwarded-For欄位，將自己申明為一個透明的代理伺服器，一些網站對代理伺服器會手軟一些。
X-Forwarded-For頭一般格式如下
|
1 |
X-Forwarded-For: client1, proxy1, proxy2 |
這裡將client1，proxy1設定為隨機IP地址，把自己的請求偽裝成代理的隨機IP產生的請求。然而由於X-Forwarded-For可以隨意篡改，很多網站並不會信任這個值。
限制IP的請求數量
如果某一IP的請求速度過快，就觸發反爬機制。當然可以通過放慢爬取速度繞過，這要以爬取時間大大增長為代價。另一種方法就是新增代理。
很簡單，在下載器中介軟體中新增:
|
1 |
request.meta['proxy'] = 'http://' + 'proxy_host' + ':' + proxy_port |
然後再每次請求時使用不同的代理IP。然而問題是如何獲取大量的代理IP？
可以自己寫一個IP代理獲取和維護系統，定時從各種披露免費代理IP的網站爬取免費IP代理，然後定時掃描這些IP和埠是否可用，將不可用的代理IP及時清理。這樣就有一個動態的代理庫，每次請求再從庫中隨機選擇一個代理。然而這個方案的缺點也很明顯，開發代理獲取和維護系統本身就很費時費力，並且這種免費代理的數量並不多，而且穩定性都比較差。如果必須要用到代理，也可以去買一些穩定的代理服務。這些服務大多會用到帶認證的代理。
在requests庫中新增帶認證的代理很簡單，
|
1 2 3 |
proxies = { "http": "http://user:pass@10.10.1.10:3128/", } |
然而Scrapy不支援這種認證方式，需要將認證資訊base64編碼後，加入Headers的Proxy-Authorization欄位：
|
1 2 3 4 5 6 7 8 9 10 |
import base64 # Set the location of the proxy proxy_string = choice(self._get_proxies_from_file('proxies.txt')) # user:pass@ip:port proxy_items = proxy_string.split('@') request.meta['proxy'] = "http://%s" % proxy_items[1] # setup basic authentication for the proxy user_pass=base64.encodestring(proxy_items[0]) request.headers['Proxy-Authorization'] = 'Basic ' + user_pass |
動態載入
現在越來越多的網站使用ajax動態載入內容，這時候可以先擷取ajax請求分析一下，有可能根據ajax請求構造出相應的API請求的URL就可以直接獲取想要的內容，通常是json格式，反而還不用去解析HTML。
然而，很多時候ajax請求都會經過後端鑑權，不能直接構造URL獲取。這時就可以通過PhantomJS+Selenium模擬瀏覽器行為，抓取經過js渲染後的頁面。具體可以參考：Scrapy+PhantomJS+Selenium動態爬蟲
需要注意的是，使用Selenium後，請求不再由Scrapy的Downloader執行，所以之前新增的請求頭等資訊都會失效，需要在Selenium中重新新增
|
1 2 3 |
headers = {...} for key, value in headers.iteritems(): webdriver.DesiredCapabilities.PHANTOMJS['phantomjs.page.customHeaders.{}'.format(key)] = value |
另外，呼叫PhantomJs需要指定PhantomJs的可執行檔案路徑，通常是將該路徑新增到系統的path路徑，讓程式執行時自動去path中尋找。我們的爬蟲經常會放到crontab中定時執行，而crontab中的環境變數和系統的環境變數不同，所以就載入不到PhamtonJs需要的路徑，所以最好是在申明時指定路徑：
|
1 |
driver = webdriver.PhantomJS(executable_path='/usr/local/bin/phantomjs') |