1.封鎖user-agent破解：

user-agent是瀏覽器的身份標識，網站就是通過user-agent來確定瀏覽器類型的。有很多網站會拒絕不符合一定標準的user-agent請求網頁，如果網站將頻繁訪問網站的user-agent作為爬蟲的標誌，然後加入黑名單該怎麽辦？

（1）首先在meiju項目下，settings.py的同級目錄創建middlewares目錄，進入middlewares目錄，創建__init__.py，將middlewares目錄變成一個Python模塊

（2）創建資源文件resource.py和中間件文件customUserAgent.py：

（3）將多個瀏覽器的user-agent放入資源文件resource.py中加入列表待用：

#!/usr/bin/env python
#-*- coding: utf-8 -*-
UserAgents = [
  "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",
]


（4）修改customUserAgent，將資源文件中的user-agent隨機選擇一個出來，作為Scrapy的user-agent。
 

#!/usr/bin/env python
#-*- coding: utf-8 -*-

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
from meiju100.middlewares.resource import UserAgents

import random

class RandomUserAgent(UserAgentMiddleware):
    def process_request(self, request, spider):
        ua=random.choice(UserAgents)
        request.headers.setdefault(‘User-Agent‘,ua)

（5）最後修改settings.py文件，將RandomUserAgent加入DOWNLOADER_MIDDLEWARES

2.封鎖IP破解：在反爬蟲中，最容易被發覺的實際上是IP，同一IP短時間內訪問同一站點，如果數量少，管理員可能會以為是網吧或者大型的局域網在訪問，但是數目多了，很定就是爬蟲了

解決這個難題的方法，就是準備一個代理池，從中隨機選擇一個代理使用：

（1）在之前創建的middlewares目錄中，在resource.py文件中加入一個IP池，也就是代理服務器的列表：

（2）創建一個中間件，customProxy.py，這個中間件的作用就是讓Scrapy爬取網站時隨機使用IP池中的代理：

#!/usr/bin/env python
#-*- coding: utf-8 -*-

import random

from meiju100.middlewares.resource import PROXIES

class RandomProxy(object):
    def process_request(self,request,spider):
        proxy=random.choice(PROXIES)
        request.meta[‘proxy‘]=‘http://%s‘%proxy
        

（3）最後修改settings.py文件，將customProxy加入到DOWNLOADER_MIDDLEWARES：

DOWNLOADER_MIDDLEWARES = {
    ‘meiju100.middlewares.customProxy.RandomProxy‘:10,
    ‘meiju100.middlewares.customUserAgent.RandomUserAgent‘: 30,
    ‘scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware‘:None,
    ‘scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware‘:20
}

2017.08.10 Python爬蟲實戰之爬蟲攻防篇