scrapy抓取拉勾网职位信息（六）——反爬应对（随机UA，随机代理）

上篇已经对数据进行了清洗，本篇对反爬虫做一些应对措施，主要包括随机UserAgent、随机代理。

---

一、随机UA

分析：构建随机UA可以采用以下两种方法

• 我们可以选择很多UserAgent，形成一个列表，使用的时候通过middleware获取到settings.py文件中的配置，然后进行随机选择
• 使用第三方库fake-useragent，这个库可以方便的生成一个随机UA，使用起来也很方便

---

本篇我们使用第二种方式来构建随机UA

• 安装第三方库fake_useragent，使用命令pip install fake-useragent

---

• 生成ua的方式很简单

from fake_useragent import UserAgent

ua = UserAgent(verify_ssl=False)  #正常不需要这个参数，如果无法获取请添加这个参数
print(ua.random)

下面开始项目代码的编写

• 在middlewares.py文件中，我们对scrapy默认的UserAgentMiddleware进行改写

from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware   #导入默认的UA中间件的类
from fake_useragent import UserAgent

class LagouUserAgentMiddleware(UserAgentMiddleware):  #新建一个拉钩网的UA中间件类继承自默认的类
    def process_request(self, request, spider):
        request.headers.setdefault(b'User-Agent', UserAgent(verify_ssl=False).random) #设置一个随机的UA
        print('当前ua %s' % request.headers['User-Agent']) #打印出来看一下

• 把我们在lagou_c.py文件中custom_settings中的UA注释掉

• 这样UA就设置好了，还需要到settings.py文件中把它激活

DOWNLOADER_MIDDLEWARES = {
    #'lagou.middlewares.LagouDownloaderMiddleware': 543,   #有注释，是未激活的中间件
    'lagou.middlewares.LagouUserAgentMiddleware': 333,   #优先级是333，自己随便设置，数字越小代表优先级越高
}

• 我们运行一下爬虫，看下结果，可以看到UA在随机的更换

 二、随机代理

分析：构建随机代理可以采用以下两种方法

• 我们可以选择很多proxy，形成一个列表，使用的时候通过middleware获取到settings.py文件中的配置，然后进行随机选择
• 构建一个随机代理池，通过middleware对随机代理进行设置

这里我们采用第二种方式，网上有别人构建的代理池，我就直接拿来用了，毕竟重复造*的时间，你可以用来做很多其他事情了。

我这里使用的是阿里云ECS服务器Centos 7，本地windows操作一样

• 首先使用git命令下载仓库（没有git的去下载一个，这个必学，可以简单理解为git本地仓库，github远程仓库，本地的可以上传，远程的可以下载）

　　git clone https://github.com/Python3WebSpider/ProxyPool.git

• 进入到PrxxyPool文件夹，然后再进入proxypool文件夹

• 编辑里面的setting.py文件，修改TEST_URL = 'http://www.lagou.com'，这么做的目的就是让这些代理去请求拉勾网，如果成功就说明这个代理有效

• 我们接下来把这个代理池运行起来，在run.py文件目录下，运行run.py程序

• 可以看到代理自动获取并且在测试可用性，我们可以打开浏览器，看下获取一个随机代理，如果是远程服务器，地址为ip:5555/random （ip为远程服务器ip），如果是阿里云服务器需要设置安全组，放开5555端口。

---

---

现在开始编写我们的爬虫代码

• 在middlewares.py文件，新增一个LagouProxyMiddleware类

import requests
from requests.exceptions import ConnectionError

class LagouProxyMiddleware(object):

    def __init__(self,proxy_url):
        self.proxy_url = proxy_url

    def get_random_proxy(self):
    ’‘’
    使用requests获取代理
    ‘’‘
        try:
            response = requests.get(self.proxy_url)
            if response.status_code == 200:
                random_proxy = response.text
                return random_proxy
        except ConnectionError:
            return False

    def process_request(self, request, spider):
        if request.meta.get('retry_times'):  #如果重试次数为0，就使用默认的ip地址进行页面爬取，否则使用代理
            random_proxy = self.get_random_proxy()
            if random_proxy:
                uri = 'https://{}'.format(random_proxy)
                print('当前代理为{}'.format(request.meta['proxy']))
                request.meta['proxy'] = uri #设置随机代理

    @classmethod
    def from_crawler(cls,crawler):
    ’‘’
    类函数，使用crawler来获取settings中的PROXY_URL,也就是生成随机代理的url
    ‘’‘    
        settings = crawler.settings
        return cls(
            proxy_url=settings.get('PROXY_URL')
        )

• 在settings.py中激活这个中间件，并且定义PROXY_URL

DOWNLOADER_MIDDLEWARES = {
    #'lagou.middlewares.LagouDownloaderMiddleware': 543,
    'lagou.middlewares.LagouUserAgentMiddleware': 333,
    'lagou.middlewares.LagouProxyMiddleware': 444,
}

PROXY_URL = 'http://localhost:5555/random'  #哪台设备运行的代理池，就把localhost修改为那台设备的ip，本机不用修改

---

至此我们就完成了随机UA和随机代理的设置，老规矩，运行下爬虫。当然，因为本地ip没有被封，所以一直就会使用本地ip，不会使用代理ip，毕竟免费的代理慢。