Python学习Scrapy之反爬虫随机请求头、代理、cookie禁用

本文介绍了如何使用Scrapy框架中的中间件实现随机更换User-Agent及代理服务器的功能,并展示了如何配置代理服务器验证信息。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

中间件middlewares的请求头、加密的代理使用

import random
import base64

from settings import USER_AGENTS
from settings import PROXIES

# 随机的User-Agent
class RandomUserAgent(object):

    def process_request(self, request, spider):
        useragent = random.choice(USER_AGENTS)
        request.headers.setdefault("User-Agent", useragent)

class RandomProxy(object):

    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)
        
        if proxy['user_passwd'] is None:
            # 没有代理账户验证的代理使用方式
            request.meta['proxy'] = "http://" + proxy['ip_port']
        else:
            # 对账户密码进行base64编码转换
            base64_userpasswd = base64.b64encode(proxy['user_passwd'])
            # 对应到代理服务器的信令格式里
            request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd
            request.meta['proxy'] = "http://" + proxy['ip_port']

settings设置

启用2个下载中间件

USER_AGENTS = [
    "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"
    ]

PROXIES = [
    {'ip_port': '111.8.60.9:8123', 'user_passwd': 'user1:pass1'},
    {'ip_port': '101.71.27.120:80', 'user_passwd': 'user2:pass2'},
    {'ip_port': '122.96.59.104:80', 'user_passwd': 'user3:pass3'},
    {'ip_port': '122.224.249.122:8088', 'user_passwd': 'user4:pass4'},
]

cookie禁用

COOKIES_ENABLED = False
<think>好的,我现在要回答用户关于如何在Scrapy中获取响应中的Cookie的问题。首先,我需要回忆一下Scrapy的框架结构和相关组件。Scrapy中间件分为下载器中间件和爬虫中间件,而Cookie的处理通常涉及到下载器中间件,因为HTTP请求和响应是在这里处理的。 用户需要的是获取响应中的Cookie,这意味着当Scrapy接收到服务器的响应时,需要从中提取Cookie信息。我记得Scrapy的Response对象有一个headers属性,其中包含了HTTP头信息,包括Set-Cookie字段。因此,可以通过访问response.headers.get('Set-Cookie')来获取Cookie。 接下来,我需要考虑用户可能需要处理Cookie的不同方式。例如,他们可能希望自动处理Cookie,这时可以使用内置的CookiesMiddleware,它默认是启用的。这个中间件会自动管理Cookie,无需用户手动处理。但用户可能想手动获取特定的Cookie值,这时候就需要在爬虫的回调函数中访问响应对象的headers或者cookies属性。 Scrapy的Response对象还有一个meta属性,其中可能包含cookiejar,用于跟踪多个Cookie会话。不过,对于大多数情况,直接使用response.headers或者response.cookies会更直接。需要注意的是,response.cookies是一个字典,可能已经解析了部分Cookie信息,但完整的Set-Cookie头可能在headers里。 然后,我需要提供示例代码。比如在爬虫的parse方法中,打印出Cookie信息。另外,如果用户需要自定义处理,比如将Cookie存储到项目或日志中,也可以在回调函数里进行相应的处理。 此外,用户可能需要配置中间件,比如启用或调整CookiesMiddleware的设置。在settings.py中,确保COOKIES_ENABLED设置为True,这样Scrapy才会处理Cookie。如果用户需要禁用自动Cookie处理,可以将其设为False,然后手动管理。 还要考虑潜在的问题,比如不同的网站可能设置多个Cookie,或者Cookie的格式不同,如何正确解析。这时候可能需要使用http.cookiejar模块来解析Set-Cookie头,但ScrapyCookiesMiddleware已经处理了大部分情况,用户只需访问相应的属性即可。 最后,我需要引用相关的文档或用户提供的参考资料。根据用户提供的引用,特别是引用[4]提到下载器中间件处理HTTP请求和响应,以及UserAgentMiddleware和RetryMiddleware的例子,可以推断出Cookie的处理同样属于下载器中间件的范畴。因此,在回答中引用这些内容来支持解释。 总结步骤:确认获取Cookie的位置(响应头),展示如何在回调函数中提取,提供代码示例,说明自动和手动处理的方法,并引用相关文档。</think>在Scrapy中获取响应中的Cookie可以通过以下两种方式实现: ### 一、通过Response对象直接获取 在爬虫的回调函数中,直接访问`response.headers`或`response.cookies`属性: ```python def parse(self, response): # 方式1:从响应头获取原始Cookie字符串 cookie_header = response.headers.get('Set-Cookie').decode('utf-8') self.logger.info(f"原始Cookie头: {cookie_header}") # 方式2:获取已解析的Cookie字典(需要COOKIES_ENABLED=True) cookies_dict = response.cookies self.logger.info(f"解析后的Cookie字典: {cookies_dict}") ``` ### 二、通过中间件获取(高级用法) 在下载器中间件中处理响应时获取: ```python class CustomMiddleware: def process_response(self, request, response, spider): cookies = response.headers.getlist('Set-Cookie') spider.logger.debug(f"中间件中获取的Cookies: {cookies}") return response ``` ### 三、配置说明 确保`settings.py`中启用Cookie处理: ```python COOKIES_ENABLED = True # 默认已启用 COOKIES_DEBUG = True # 开启Cookie调试日志 ``` ### 四、自动Cookie管理 Scrapy内置的`CookiesMiddleware`会自动管理Cookie会话,可通过`request.meta['cookiejar']`跟踪不同会话[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值