2017.08.10 Python爬虫实战之爬虫攻防

1.创建一般的爬虫：一般来说，小于100次访问的爬虫都无须为此担心

（1）以爬取美剧天堂为例，来源网页：http://www.meijutt.com/new100.html，项目准备：

scrapy startproject meiju100

F:\Python\PythonWebScraping\PythonScrapyProject>cd meiju100

F:\Python\PythonWebScraping\PythonScrapyProject\meiju100>scrapy genspider meiju100Spider meijutt.com

项目文件结构：

（2）修改items.py文件：

（3）修改meiju100Spider.py文件：

先检查网页源代码：发现<div class="lasted-num fn-left">开头的标签，包含所需数据：

# -*- coding: utf-8 -*-import scrapyfrom meiju100.items import Meiju100Item

class Meiju100spiderSpider(scrapy.Spider):    name = ‘meiju100Spider‘    allowed_domains = [‘meijutt.com‘]    start_urls = (        ‘http://www.meijutt.com/new100.html‘    )

def parse(self, response):        subSelector=response.xpath(‘//li/div[@class="lasted-num fn-left"]‘)        items=[]        for sub in subSelector:            item=Meiju100Item()            item[‘storyName‘]=sub.xpath(‘../h5/a/text()‘).extract()[0]            item[‘storyState‘]=sub.xpath(‘../span[@class="state1 new100state1"]/text()‘).extract()[0]            item[‘tvStation‘]=sub.xpath(‘../span[@class="mjtv"]/text()‘).extract()            item[‘updateTime‘]=sub.xpath(‘//div[@class="lasted-time new100time fn-right"]/text()‘).extract()[0]   //运行报错：IndexError: list index out of range，<div class="lasted-time new100time fn-right">不属于上边的父节点            items.append(item)

return items

（4）编写pipelinses.py文件，保存爬取的数据到文件夹：

# -*- coding: utf-8 -*-

# Define your item pipelines here## Don‘t forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.htmlimport time

class Meiju100Pipeline(object):    def process_item(self, item, spider):        today=time.strftime(‘%Y%m%d‘,time.localtime())        fileName=today+‘meiju.txt‘        with open(fileName,‘a‘) as fp:            fp.write("%s \t" %(item[‘storyName‘].encode(‘utf8‘)))            fp.write("%s \t" %(item[‘storyState‘].encode(‘utf8‘)))            if len(item[‘tvStation‘])==0:                fp.write("unknow \t")            else:                fp.write("%s \t" %(item[‘tvStation‘][0]).encode(‘utf8‘))            fp.write("%s \n" %(item[‘updateTime‘].encode(‘utf8‘)))

return item

（5）修改settings.py文件：

（6）在meiju项目下任意目录下，运行命令：scrapy crawl meiju100Spider

运行结果：

2.封锁间隔时间破解：Scrapy在两次请求之间的时间设置DOWNLOAD_DELAY,如果不考虑反爬虫的因素，这个值当然是越小越好，

如果把DOWNLOAD_DELAY的值设置为0.1，也就是每0.1秒向网站请求一次网页。

所以，需要在settings.py的尾部追加这一项即可：

3.封锁Cookies破解：总所周知，网站是通过Cookies来确定用户身份的，Scrapy爬虫在爬取数据时使用同一个Cookies发送请求，这种做法和把DOWNLOAD_DELAY设置为0.1没什么区别。

所以，要破解这种原理的反爬虫也很简单，直接禁用Cookies就可以了，在Setting.py文件后追加一项：