5 個用 Python 編寫非阻塞 web 爬蟲的方法

（點擊

上方公眾號

，可快速關注）

翻譯：oschina  

英文：

https://www.oschina.net/translate/write-web-scrapers-in-python

大家在讀爬蟲系列的帖子時常常問我怎樣寫出不阻塞的爬蟲，這很難，但可行。通過實現一些小策略可以讓你的網頁爬蟲活得更久。那麼今天我就將和大家討論這方面的話題。

用戶代理

你需要關心的第一件事是設置用戶代理。 用戶代理是用戶訪問的工具，並告知伺服器用戶正在使用哪個網路瀏覽器訪問網站。 如果未設置用戶代理，許多網站不會讓你查看內容。 如果你正在使用rquests庫，可以執行如下操作：

headers

=

{

"user-agent"

:

"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36"

,

}

r

=

requests

.

get

(

"example.com"

,

headers

=

headers

)

你可以通過在 Google 搜索欄中輸入 User-Agent 來獲取用戶代理的信息，並且它會返回你當前的用戶代理信息。

現在，你已經有了一個用戶代理，但如何去使用它？ 那麼，最好的方法是從文本文件、資料庫、Python 的列表中選擇一個隨機的 User-Agent 。 Udger 分享了大量的 UA w.r.t 瀏覽器。 比如，對於 Chrome 而言，它看起來像這樣，對 Firefox 來說，又像這樣。 現在讓我們來創建一個函數，它將返回一個隨機 UA ，你可以在請求中使用：

import

numpy

as

np

def

get_random_ua

()

:

random_ua

=

""

ua_file

=

"ua_file.txt"

try

:

with

open

(

ua_file

)

as

f

:

lines

=

f

.

readlines

()

if

len

(

lines

)

>

0

:

prng

=

np

.

random

.

RandomState

()

index

=

prng

.

permutation

(

len

(

lines

)

-

1

)

idx

=

np

.

asarray

(

index

,

dtype

=

np

.

integer

)[

0

]

random_proxy

=

lines

[

int

(

idx

)]

except

Exception

as

ex

:

print

(

"Exception in random_ua"

)

print

(

str

(

ex

))

finally

:

return

random_ua

ua_file.txt 包含一個來自我上面共享的網站的每行 UA 。 函數 get_random_ua 將始終從該文件中返回唯一的 UA 。 你現在可以調用如下函數：

user_agent

=

get_random_ua

()

headers

=

{

"user-agent"

:

user_agent

,

}

r

=

requests

.

get

(

"example.com"

,

headers

=

headers

)

Referrers

接下來你需要設置的是引用。 一般的規則是，如果它是一個列表頁面或主頁，那麼你可以設置該國家的 Google 主頁網址。 例如，如果我正在爬取 olx.com.pk ，那麼我會設置 https://google.com.pk 而不是 https://google.ca。

如果你要抓取各個產品頁面，可以在引用中設置相關類別的網址，或者可以找到要抓取的域的反向鏈接。 我通常使用 SEMRush 來這麼做。針對鏈接 https://www.olx.com.pk/furniture-home-decor/categories/  通過 SEMRush 會返回如下所示的內容：

如果你點擊查看放大的圖像，你可以看到一些鏈接指向我所需的類別。一旦你收集所有這些真實的反向鏈接，你可以通過複製邏輯 insideget_random_ua（）返回隨機引用，並將它們用作引用。 如下所示：

headers

=

{

"user-agent"

:

user_agent

,

"referer"

:

referer

}

代理 IP

我不得不強調這一點。如果認真研究，那麼你必須使用多個代理 IP 來避免阻塞。 大多數網站會根據你的伺服器或主機提供商的靜態 IP 來阻止抓取工具。 這些網站使用智能的工具來確定某個 IP 或 IP 池的方式，並簡單地阻止它們。 這也是為什麼建議購買幾個 IP 地址，50-100個至少要避免阻塞。有許多可用的服務，但我對 Shaders（現在稱為 OxyLabs ）感到滿意。 它們雖然很貴，但服務質量很好。 確保你在訂購多個 IP 時，要求提供隨機 IP 或至少不遵循 1.2.3.4 到 1.2.3.100 等特定模式。站點管理員將很簡單的設置 IP 地址不全部為 1.2.3.* 。 就這麼簡單。

如果你正在使用請求，你可以像下面這樣使用它：

r

=

requests

.

get

(

"example.com"

,

headers

=

headers

,

proxies

=

{

"https"

:

proxy_url

})

如果你在 Selenium 使用代理 IP ，那麼這將有點棘手。

r

=

requests

.

get

(

"example.com"

,

headers

=

headers

,

proxies

=

{

"https"

:

proxy_url

})

proxy

=

get_random_proxy

().

replace

(

"
"

,

""

)

service_args

=

[

"--proxy={0}"

.

format

(

proxy

),

"--proxy-type=http"

,

"--proxy-auth=user:path"

]

print

(

"Processing.."

+

url

)

driver

=

webdriver

.

PhantomJS

(

service_args

=

service_args

)

不用說，get_random_proxy() 是返回一個唯一且隨機代理的方法，就像上面獲得唯一且隨機的 UA 和 Referer 一樣。

你可以思考一個這樣的系統，在系統中你可以設置一個 IP 每天或每小時訪問網站頻率，如果它超過了，那麼它將被放入一個籠子里直到第二天。 我所在的公司設計了一個這樣的系統，不僅設置了 IP 訪問頻率，還記錄了哪個 IP 被阻止。 最後，我只是使用代理服務提供者僅替換這些代理。 由於這超出了本文的範圍，所以我不會詳細介紹它。

Request Headers

到目前為止，事情你都已經做得很好，但是仍然有些狡猾的網站要求你做更多的事情。當你訪問頁面的時候他們會查找特定的請求響應頭信息，如果特定的頭信息沒有被發現，他們會阻止內容顯示或者展示一個虛假的內容。模擬一個你想訪問的網站的請求是非常簡單的。例如，比如你正準備訪問一個 Craigslist URL ，並且想知道哪個頭部信息是需要的。進入 Chrome/Firefox 瀏覽器，檢查正在訪問的頁面，你應該會看到下面這些內容：

如果你點擊了圖標並查看，你能找到除了 referer 和 user-agent 之外的大量信息。你能一次性全都實現也可以一個個的實現並測試。無論訪問哪個網站，我總是去設置這些信息。請確保你不只是複製粘貼這些信息去訪問所有網站，因為這些信息通常會因網站不同而改變。

headers

=

{

"user-agent"

:

"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36"

,

"referrer"

:

"https://google.com"

,

"Accept"

:

"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8"

,

"Accept-Encoding"

:

"gzip, deflate, br"

,

"Accept-Language"

:

"en-US,en;q=0.9"

,

"Pragma"

:

"no-cache"

,

}

延時

在請求之間放置一些延遲總是很好的。我使用 numpy.random.choice() 來實現這一目標，該函數將在我想延遲的服務中傳遞隨機數列表

delays

=

[

7

,

4

,

6

,

2

,

10

,

19

]

delay

=

np

.

random

.

choice

(

delays

)

time

.

sleep

(

delay

)

如果你還沒有使用過 numpy 庫，你也可以使用 random.choice 來達到同樣的目的。

如果你真的很急，那麼你可以並行執行 URL。

結語

Web 爬蟲被阻塞的不確定性永遠不會變為零，但你總是可以採取一些措施來規避它。我討論了一些你應該以某種或其他方式在 web 爬蟲中實現的策略。

如果你知道其他策略或技巧，請通過分享評論讓我獲知。一如既往地，期待你的反饋。

看完本文有收穫？請轉

發分享給更多人

關注「P

ython開發者」，提升Python技能

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！