前言

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

用戶代理

你需要關(guān)心的第一件事是設(shè)置用戶代理。 用戶代理是用戶訪問的工具，并告知服務(wù)器用戶正在使用哪個(gè)網(wǎng)絡(luò)瀏覽器訪問網(wǎng)站。 如果未設(shè)置用戶代理，許多網(wǎng)站不會(huì)讓你查看內(nèi)容。 如果你正在使用rquests庫，可以執(zhí)行如下操作：

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，并且它會(huì)返回你當(dāng)前的用戶代理信息。

現(xiàn)在，你已經(jīng)有了一個(gè)用戶代理，但如何去使用它？ 那么，最好的方法是從文本文件、數(shù)據(jù)庫、Python 的列表中選擇一個(gè)隨機(jī)的 User－Agent 。 Udger 分享了大量的 UA w．r．t 瀏覽器。 比如，對于 Chrome 而言，它看起來像這樣，對 Firefox 來說，又像這樣。 現(xiàn)在讓我們來創(chuàng)建一個(gè)函數(shù)，它將返回一個(gè)隨機(jī) UA ，你可以在請求中使用：

ua＿file．txt 包含一個(gè)來自我上面共享的網(wǎng)站的每行 UA 。 函數(shù) get＿random＿ua 將始終從該文件中返回唯一的 UA 。 你現(xiàn)在可以調(diào)用如下函數(shù)：

Referrers

接下來你需要設(shè)置的是引用。 一般的規(guī)則是，如果它是一個(gè)列表頁面或主頁，那么你可以設(shè)置該國家的 Google 主頁網(wǎng)址。

如果你要抓取各個(gè)產(chǎn)品頁面，可以在引用中設(shè)置相關(guān)類別的網(wǎng)址，或者可以找到要抓取的域的反向鏈接。 我通常使用 SEMRush 來這么做。

如果你點(diǎn)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(shí)的反向鏈接，你可以通過復(fù)制邏輯 insideget＿random＿ua（）返回隨機(jī)引用，并將它們用作引用。 如下所示：

代理IP

我不得不強(qiáng)調(diào)這一點(diǎn)。如果認(rèn)真研究，那么你必須使用多個(gè)代理 IP 來避免阻塞。 大多數(shù)網(wǎng)站會(huì)根據(jù)你的服務(wù)器或主機(jī)提供商的靜態(tài) IP 來阻止抓取工具。 這些網(wǎng)站使用智能的工具來確定某個(gè) IP 或 IP 池的方式，并簡單地阻止它們。 這也是為什么建議購買幾個(gè) IP 地址，50－100個(gè)至少要避免阻塞。有許多可用的服務(wù)，但我對 Shaders（現(xiàn)在稱為 OxyLabs ）感到滿意。 它們雖然很貴，但服務(wù)質(zhì)量很好。 確保你在訂購多個(gè) IP 時(shí)，要求提供隨機(jī) IP 或至少不遵循 1．2．3．4 到 1．2．3．100 等特定模式。站點(diǎn)管理員將很簡單的設(shè)置 IP 地址不全部為 1．2．3．＊ 。 就這么簡單。

如果你正在使用請求，你可以像下面這樣使用它：

如果你在 Selenium 使用代理 IP ，那么這將有點(diǎn)棘手。

不用說，get＿random＿proxy（） 是返回一個(gè)唯一且隨機(jī)代理的方法，就像上面獲得唯一且隨機(jī)的 UA 和 Referer 一樣。

你可以思考一個(gè)這樣的系統(tǒng)，在系統(tǒng)中你可以設(shè)置一個(gè) IP 每天或每小時(shí)訪問網(wǎng)站頻率，如果它超過了，那么它將被放入一個(gè)籠子里直到第二天。 我所在的公司設(shè)計(jì)了一個(gè)這樣的系統(tǒng)，不僅設(shè)置了 IP 訪問頻率，還記錄了哪個(gè) IP 被阻止。 最后，我只是使用代理服務(wù)提供者僅替換這些代理。 由于這超出了本文的范圍，所以我不會(huì)詳細(xì)介紹它。

Request Heaters

到目前為止，事情你都已經(jīng)做得很好，但是仍然有些狡猾的網(wǎng)站要求你做更多的事情。當(dāng)你訪問頁面的時(shí)候他們會(huì)查找特定的請求響應(yīng)頭信息，如果特定的頭信息沒有被發(fā)現(xiàn)，他們會(huì)阻止內(nèi)容顯示或者展示一個(gè)虛假的內(nèi)容。模擬一個(gè)你想訪問的網(wǎng)站的請求是非常簡單的。例如，比如你正準(zhǔn)備訪問一個(gè) Craigslist URL ，并且想知道哪個(gè)頭部信息是需要的。進(jìn)入 Chrome／Firefox 瀏覽器，檢查正在訪問的頁面，你應(yīng)該會(huì)看到下面這些內(nèi)容：

如果你點(diǎn)擊了圖標(biāo)并查看，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(shí)現(xiàn)也可以一個(gè)個(gè)的實(shí)現(xiàn)并測試。無論訪問哪個(gè)網(wǎng)站，我總是去設(shè)置這些信息。請確保你不只是復(fù)制粘貼這些信息去訪問所有網(wǎng)站，因?yàn)檫@些信息通常會(huì)因網(wǎng)站不同而改變。

延遲

在請求之間放置一些延遲總是很好的。我使用 numpy．random．choice（） 來實(shí)現(xiàn)這一目標(biāo)，該函數(shù)將在我想延遲的服務(wù)中傳遞隨機(jī)數(shù)列表：

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

如果你真的很急，那么你可以并行執(zhí)行 URL ，我之前在此文中解釋過了。

結(jié)語

Web 爬蟲被阻塞的不確定性永遠(yuǎn)不會(huì)變?yōu)榱�，但你總是可以采取一些措施來�?guī)避它。我討論了一些你應(yīng)該以某種或其他方式在 web 爬蟲中實(shí)現(xiàn)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。