爬蟲在頻繁訪問一個頁面的時候,如果請求頭一直保持一致,那么很容易被服務器發現,從而禁止這個請求頭的訪問。下面通過自定義中間件來實現隨機的選擇一個請求頭。
<br/>
步驟如下:
<br/>
**1. 在`settings.py`做如下配置**
(1)你可以在 http://www.useragentstring.com/pages/useragentstring.php?typ=Browser 找到大量的User-Agent;
(2)你可以訪問 http://httpbin.org/user-agent 直接測試你使用的瀏覽器的User-Agent。
```python
# User-Agent池
USER_AGENTS = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",
"Mozilla/5.0 (Macintosh; U; Intel Mac OS X; en-US; rv:1.8.1.6) Gecko/20070725 Firefox/2.0.0.6 Camino/1.5.1"
]
# 啟動自定義中間件
DOWNLOADER_MIDDLEWARES = {
# 自定義中間件: 權重,權重越小,優先被調用
# CareerstencentDownloaderMiddleware在項目創建的時候就自動創建好了
'CareersTencent.middlewares.CareerstencentDownloaderMiddleware': 543,
'CareersTencent.middlewares.RandomUserAgentMiddleware': 544,
}
```
<br/>
**2. 在`middlewares.py`中自定義一個中間類**
```python
class RandomUserAgentMiddleware(object):
def process_request(self, request, spider):
"""
定義process_request方法,方法名不能自定義哦.
當每個Request對象經過中間件時會被調用,優先級越高的中間件,越先調用;
該方法應該返回以下對象: None、Response、Request、拋出IgnoreRequest異常
:return:
(1)返回None: scrapy會繼續執行其他中間件相應的方法;
(2)返回Response對象: scrapy不會再調用其他中間件的process_request
方法,也不會去發起下載,而是直接返回該Response對象
(3)返回Request對象: scrapy不會再調用其他中間件的process_request()
方法,而是將其放置調度器待調度下載
(4)如果這個方法拋出異常,則會調用process_exception方法
"""
# 隨機請求頭
user_agent = random.choice(spider.settings['USER_AGENTS'])
request.headers['User-Agent'] = user_agent
return None
def process_response(self, request, response, spider):
"""
當每個Response經過中間件會被調用,優先級越高的中間件,越晚被調用,
與process_ request()相反; 該方法返回以下對象: Response、Request、拋出IgnoreRequest異常。
:return:
(1)返回Response對象: scrapy會繼續調用其他中間件的process_response方法;
(2)返回Request對象:停止中間器調用,將其放置到調度器待調度下載;
(3)拋出IgnoreRequest異常: Request.errback會被調用來處理函數,如果沒有處理,它將會被忽略且不會寫進日志。
"""
# 經測試,請求頭是隨機的
print(request.headers['User-Agent'])
return response
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理