轉自：http://blog.csdn.net/u012150179/article/details/35774323
話說在嘗試設定download_delay小于1，并且無任何其他防止被ban的政策之後，我終于成功的被ban了。
關于scrapy的使用可參見之前文章：
http://blog.csdn.net/u012150179/article/details/34913315
http://blog.csdn.net/u012150179/article/details/34486677
http://blog.csdn.net/u012150179/article/details/34441655
http://blog.csdn.net/u012150179/article/details/32911511
本篇部落客要研究使用防止被ban的幾大政策以及在scrapy中的使用。
1.政策一：設定download_delay
這個在之前的教程中已經使用過（http://blog.csdn.net/u012150179/article/details/34913315），他的作用主要是設定下載下傳的等待時間，大規模集中的通路對伺服器的影響最大，相當與短時間中增大伺服器負載。
下載下傳等待時間長，不能滿足段時間大規模抓取的要求，太短則大大增加了被ban的幾率。
download_delay可以設定在settings.py中，也可以在spider中設定，在之前部落格中（http://blog.csdn.net/u012150179/article/details/34913315）已經使用過，這裡不再過多闡述。
2.政策二：禁止cookies
所謂cookies，是指某些網站為了辨識使用者身份而儲存在使用者本地終端（Client Side）上的資料（通常經過加密），禁止cookies也就防止了可能使用cookies識别爬蟲軌迹的網站得逞。
使用：
在settings.py中設定COOKIES_ENABLES=False。也就是不啟用cookies middleware，不想web server發送cookies。
3.政策三：使用user agent池
所謂的user agent，是指包含浏覽器資訊、作業系統資訊等的一個字元串，也稱之為一種特殊的網絡協定。伺服器通過它判斷目前通路對象是浏覽器、郵件用戶端還是網絡爬蟲。在request.headers可以檢視user agent。如下，使用scrapy shell檢視：
[python] view plain copy
scrapy shell http://blog.csdn.net/u012150179/article/details/34486677
進而輸入如下，可得到uesr agent資訊：
由此得到,scrapy本身是使用Scrapy/0.22.2來表明自己身份的。這也就暴露了自己是爬蟲的資訊。
首先編寫自己的UserAgentMiddle中間件，建立rotate_useragent.py,代碼如下：
# -*-coding:utf-8-*-
from scrapy import log
"""避免被ban政策之一：使用useragent池。
使用注意：需在settings.py中進行相應的設定。
"""
import random
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
class RotateUserAgentMiddleware(UserAgentMiddleware):
def __init__(self, user_agent=''):
self.user_agent = user_agent
def process_request(self, request, spider):
ua = random.choice(self.user_agent_list)
if ua:
#顯示目前使用的useragent
print "********Current UserAgent:%s************" %ua
#記錄
log.msg('Current UserAgent: '+ua, level='INFO')
request.headers.setdefault('User-Agent', ua)
#the default user_agent_list composes chrome,I E,firefox,Mozilla,opera,netscape
#for more user agent strings,you can find it in http://www.useragentstring.com/pages/useragentstring.php
user_agent_list = [\
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
"(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
建立user agent池（user_agent_list）并在每次發送request之前從agent池中随機選取一項設定request的User_Agent。編寫的UserAgent中間件的基類為UserAgentMiddle。
除此之外，要在settings.py(配置檔案)中禁用預設的useragent并啟用重新實作的User Agent。配置方法如下：
#取消預設的useragent,使用新的useragent
DOWNLOADER_MIDDLEWARES = {
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,
'CSDNBlogCrawlSpider.spiders.rotate_useragent.RotateUserAgentMiddleware' :400
}
至此配置完畢。現在可以運作看下效果。
可以發現一直在變化的UserAgent。
4.政策四：使用IP池
web server應對爬蟲的政策之一就是直接将你的IP或者是整個IP段都封掉禁止通路，這時候，當IP封掉後，轉換到其他的IP繼續通路即可。
可以使用Scrapy+Tor+polipo
配置方法與使用教程可參見：http://pkmishra.github.io/blog/2013/03/18/how-to-run-scrapy-with-TOR-and-multiple-browser-agents-part-1-mac/。有時間我會翻譯過來。
5.政策五：分布式爬取
這個，内容就更多了，針對scrapy，也有相關的針對分布式爬取的GitHub repo。可以搜一下。
原創，轉載請注明：http://blog.csdn.net/u012150179/article/details/35774323