爬虫被目标网站拒绝？来看看scrapy的请求头设置！
作者：互联网
内容简介
使用scrapy写爬虫的时候，会莫名其妙的被目标网站拒绝，很大部分是浏览器请求头的原因。
现在一起来看看scrapy的请求头，并探究设置方式
工具准备开发环境python2.7 + scrapy 1.1.2测试请求头网站：httpbin/get?show_env=1json在线解析：json/浏览器请求头大全： useragentstring/默认请求头
命令行执行，新建爬虫
scrapy startproject myspider
cd myspider
scrapy genspider scrapy_spider httpbin
我们通过对 httpbin/get?show_env=1 的请求，查看本次请求的浏览器信息，可以打开看一看是否是自己的浏览器信息
改写生成的scrapy_spider.py文件
import scrapy
class ScrapySpider(scrapy.Spider):
name="scrapy_spider"
allowed_domains=["httpbin"]
start_urls=(
# 请求的链接
"httpbin/get?show_env=1",
)
def parse(self, response):
# 打印出相应结果
print response.text
if __name__=='__main__':
from scrapy import cmdline
cmdline.execute("scrapy crawl scrapy_spider".split())
如果是你正好使用mac本，正好使用pycharm可以按快捷键启动爬虫
shift + control + r
当然，如果是windows那就右键启动吧
将返回的文本复制到 json/ 格式化成便于查看的json格式，下面操作亦然，不再赘述。
{
"args":{
"show_env":"1"
},
"headers":{
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Encoding":"gzip,deflate",
"Accept-Language":"en",
"Connect-Time":"1",
"Connection":"close",
"Host":"httpbin",
"Total-Route-Time":"0",
"User-Agent":"Scrapy/1.1.2 (+scrapy)",
"Via":"1.1 vegur",
"X-Forwarded-For":"39.155.188.22",
"X-Forwarded-Port":"443",
"X-Forwarded-Proto":"https",
"X-Request-Id":"9dcf91a6-0bed-4d9e-b2bd-b7c88b832d81",
"X-Request-Start":"1529654403617"
},
"origin":"39.155.188.22",
"url":"httpbin/get?show_env=1"
}
看到了吧，默认的请求头是
"User-Agent":"Scrapy/1.1.2 (+scrapy)"
修改请求头
既然这样的话，那我们修改下请求头，达到伪造的效果
打开下面的链接，选一个自己喜欢的请求头
useragentstring/pages/useragentstring.php?name=Chrome
这里使用chrome浏览器请求头
方式一：全局设置
此方式设置后，覆盖掉scrapy默认的请求头，全局生效，即所有爬虫都可以享受
settings.py文件中找到如下代码
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT='myspider (+yourdomain)'
解除注释，修改为自己的请求头
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT="Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"
运行爬虫，验证效果
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方式二：爬虫设置
此方式设置后，单个爬虫生效，此爬虫的所有连接都享受
class ScrapySpider(scrapy.Spider):
name="scrapy_spider"
allowed_domains=["httpbin"]
# 新添加的代码
custom_settings={
"USER_AGENT": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
}
# -----------
start_urls=(
"httpbin/get?show_env=1",
)
再次访问，发现我们的请求头已经成功更换
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方式三：链接设置
此方法对单个链接生效, 只是此次请求的这个链接享受
在Request方法中设置headers参数
import scrapy
# 请求头
USER_AGENT="Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"
class ScrapySpider(scrapy.Spider):
name="scrapy_spider"
allowed_domains=["httpbin"]
start_urls=(
"httpbin/get?show_env=1",
)
# 新加的代码
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url, headers={"User-Agent": USER_AGENT})
# ------------
def parse(self, response):
print response.text
测试效果
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
方法四：中间件设置
此方法可以从整个项目中去修改请求头的设置规则，变化多端，不同的写法，可以配置出不同的设置方式，下面是一个比较简单的示例
私信小编007即可获取数十套PDF的获取方式哦！
我们参考scrapy默认处理请求头的中间件
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
编写中间件
# middlewares.py
class RandomUserAgentMiddleware(object):
def process_request(self, request, spider):
request.headers['User-Agent']="" # 绝对设置，其他设置都不生效
我们可以从下面找到默认设置
from scrapy.settings import default_settings
找到项目中对请求头起作用的中间件
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 400,
在settings.py 或者custom_settings替换原有的中间件
"DOWNLOADER_MIDDLEWARES": {
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None,
"myspider.middlewares.RandomUserAgentMiddleware": 400,
}
这样可以从全局，或者局部替换掉请求头规则
作用优先级
如果作如下设置
# settings.py
USER_AGENT="settings"
# scrapy_spider.py
custom_settings={
"USER_AGENT": "custom_settings",
}
headers={"User-Agent": "header"}
运行效果为：
"User-Agent":"header"
注释掉headers
"User-Agent":"custom_settings"
注释掉custom_settings
"User-Agent":"custom_settings"
注释掉settings
"User-Agent":"Scrapy/1.1.2 (+scrapy)"
可见优先级为：
headers > custom_settings > settings.py > Scrapy默认
注意
注意User-Agent参数的写法
headers={"User-Agent": USER_AGENT})
如果写错了，很可能发生奇怪的事情
headers={"User_Agent": USER_AGENT}
请求头中多了Scrapy…
"User-Agent":"Scrapy/1.1.2 (+scrapy),Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
其实，很好区分：
User-Agent： 浏览器请求头参数，html代码中经常用-
USER_AGENT: python变量
建议：
每次写浏览器参数，如果怕写错就打开自己的浏览器，随便测试一个页面，从里边复制
总结
设置方式作用效果Scrapy默认所用爬虫所有请求settings.py / USER_AGENT=""所用爬虫所有请求custom_settings={"USER_AGENT": "",}单个爬虫所有请求headers={"User-Agent": ""}单个请求中间件方式downloadermiddleware视编写规则而定
表格从上至下，优先级逐渐增加，中间件除外，一般掌握三种方式就够用了：
settings.pycustom_settingsheaders
作为从入门到实战的我，踩过不少坑，此文做了简单的总结，也分享了几个比较实用的网站。希望此文的分享能给大家提供一个少走弯路的捷径，那么此文的价值也就体现了。
标签：请求,settings,爬虫,Agent,scrapy,User,537.36 来源： https://www.cnblogs.com/ebuybay/p/15859905.html