Scrapy 设置随机 User-Agent

方式一:在每个 Spider中设置(针对单个Spider)

class TencentSpider(scrapy.Spider):
    name = ‘tencent‘
    allowed_domains = [‘hr.tencent.com‘]

    headers = {
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘,
    }

    def parse(self, response):
        # 找到最后一页的页码
        page_num = response.xpath(‘//div[@class="pagenav"]/a[last()-1]/text()‘).extract()[0]
        # 生成每一页的请求
        for i in range(1, int(page_num) + 1):
            url = "https://hr.tencent.com/position.php?&start=%s#a" % (i * 10)
            yield Request(url=url, headers=TencentSpider.headers, callback=self.parse)

方式二: 在中间件中设置(全局)

在配置文件中设置User-Agent集合

# 请求头
CUSTOM_USER_AGENT = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]

编写中间件逻辑

# 请求头添加随机user-agent
class RandomUserAgentMiddleware(object):

    def __init__(self, agents):
        self.agent = agents

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            agents=crawler.settings.get(‘CUSTOM_USER_AGENT‘)
        )

    def process_request(self, request, spider):
        request.headers.setdefault(‘User-Agent‘, random.choice(self.agent))

激活中间件,并禁用默认的User-Agent中间件

DOWNLOADER_MIDDLEWARES = {
    ‘scrapy.downloadermiddleware.useragent.UserAgentMiddleware‘: None,
    ‘day1.middlewares.RandomUserAgentMiddleware‘: 10,
}

查看请求头信息

响应 response 中封装了请求对应request,因此可以根据request中查看该响应请求时的请求头信息。

    def parse(self, response):
        print(response.request)
        print(response.request.headers[‘User-Agent‘])

使用 fake-useragent 模块随机生成 User-Agent

上面的user-agent是在配置文件中预先设定好的,我们也可以使用python模块 fake-useragent  生成user-agent

安装:

pip install fake-useragent

简单使用:

from fake_useragent import UserAgent
ua = UserAgent()
#ie浏览器的user agent
print(ua.ie)
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; chromeframe/13.0.782.215)

#opera浏览器
print(ua.opera)

#chrome浏览器
print(ua.chrome)

#firefox浏览器
print(ua.firefox)

#safri浏览器
print(ua.safari)

#最常用的方式
#写爬虫最实用的是可以随意变换headers,一定要有随机性。支持随机生成请求头
print(ua.random)

在中间件中使用

import random
from scrapy import signals
from fake_useragent import UserAgent

class RandomUserAgentMiddleware(object):

    def __init__(self):
        self.agent = UserAgent()

    @classmethod
    def from_crawler(cls, crawler):
        return cls()

    def process_request(self, request, spider):
        request.headers.setdefault(‘User-Agent‘, self.agent.random)

原文地址:https://www.cnblogs.com/yuqiangli0616/p/9277263.html

时间: 2024-07-30 15:57:57

Scrapy 设置随机 User-Agent的相关文章

Scrapy 增加随机请求头 user_agent

原文: 为什么要增加随机请求头:更好地伪装浏览器,防止被 Ban. 如何在每次请求时,更换不同的 user_agent,Scrapy 使用 Middleware 即可 Spider 中间件 (Middleware) 下载器中间件是介入到 Scrapy 的 spider 处理机制的钩子框架,可以添加代码来处理发送给 Spiders 的 response 及 spider 产生的 item 和 request. 官网说明在这里:Spider Middleware 添加 middleware 的步骤:

不要随便设置随机种子

随机数在太多的地方使用了,比如加密.混淆数据等,我们使用随机数是期望获得一个唯一的.不可仿造的数字,以避免产生相同的业务数据造成混乱.在Java项目中通常是通过Math.random方法和Random类来获得随机数的,我们来看一段代码: public class Client { public static void main(String[] args) { Random r = new Random(); for(int i=1;i<4;i++){ System.out.println(&quo

Windows 10 设置随机播放 桌面背景(壁纸)的方法

在刚刚发布Windows 10里,壁纸无法设置随机播放了,只能一个接一个的顺序播放. 要想进行随机播放,在命令行执行这条命令,即可调出传统的设置界面: control /name Microsoft.Personalization /page pageWallpaper 然后,把“无序播放”勾选即可,如图: 来源:https://www.reddit.com/r/wallpapers/comments/3fec2g/windows_10_random_wallpaper_slideshow/

scrapy设置代理的方法

方法一: 直接在spider文件下设置代理,通过传参的方式设置在Request中 import scrapy class MimvpSpider(scrapy.spiders.Spider): name = "mimvp" allowed_domains = ["mimvp.com"] start_urls = [ "http://proxy.mimvp.com/exist.php", "https://proxy.mimvp.com/

JAVA基础之设置随机成语验证码

package com.oracle; import java.awt.Color; import java.awt.Font; import java.awt.Graphics; import java.awt.Graphics2D; import java.awt.image.BufferedImage; import java.io.BufferedReader; import java.io.FileReader; import java.io.IOException; import j

[Tips] pyton 设置随机种子

对于原生的random模块 import random random.seed(1) 如果不设置,则python根据系统时间自己定一个. 也可以自己根据时间定一个随机种子,如: import time import random seed = int(time.time()) random.seed(seed) 原文地址:https://www.cnblogs.com/immortalBlog/p/11511162.html

设置随机启动--《用delphi开发共享软件》-15.1任务管理器

在设置窗体中 chkAutoStart: TCheckBox; procedure TFrmSetup.FormCreate(Sender: TObject);Var s:String; _RootKey: HKEY; _Localkey: String;begin{$ifdef Proxy} btnAbout.Enabled :=False;{$endif} _RootKey:=HKEY_LOCAL_MACHINE; _LocalKey:='software\microsoft\windows

给scrapy设置HTTP代理

在setting.py同级目录新建一个middlewares.py class ProxyMiddleware(object):     # overwrite process request     def process_request(self, request, spider):         # Set the location of the proxy         request.meta['proxy'] = "http://YOUR_PROXY_IP:PORT"

scrapy 设置cookie池

代码已经很详细了,可以直接拿来使用了. 包含了: 从网页获取cookie 存入mongodb 定期删除cookie scrapy中间件对cookie池的取用 #!/usr/bin/python #coding=utf-8 #__author__='dahu' #data=2017- # import requests import time from pymongo import MongoClient import cookielib import urllib2 from bson.obje