前言

大家在讀爬蟲系列的帖子時常常問我怎樣寫出不阻塞的爬蟲，這很難，但可行。通過實現一些小策略可以讓你的網頁爬蟲活得更久。那么今天我就將和大家討論這方面的話題。

用戶代理

你需要關心的第一件事是設置用戶代理。 用戶代理是用戶訪問的工具，并告知服務器用戶正在使用哪個網絡瀏覽器訪問網站。 如果未設置用戶代理，許多網站不會讓你查看內容。 如果你正在使用rquests庫，可以執行如下操作：

你可以通過在 Google 搜索欄中輸入 User－Agent 來獲取用戶代理的信息，并且它會返回你當前的用戶代理信息。

現在，你已經有了一個用戶代理，但如何去使用它？ 那么，最好的方法是從文本文件、數據庫、Python 的列表中選擇一個隨機的 User－Agent 。 Udger 分享了大量的 UA w．r．t 瀏覽器。 比如，對于 Chrome 而言，它看起來像這樣，對 Firefox 來說，又像這樣。 現在讓我們來創建一個函數，它將返回一個隨機 UA ，你可以在請求中使用：

ua＿file．txt 包含一個來自我上面共享的網站的每行 UA 。 函數 get＿random＿ua 將始終從該文件中返回唯一的 UA 。 你現在可以調用如下函數：

Referrers

接下來你需要設置的是引用。 一般的規則是，如果它是一個列表頁面或主頁，那么你可以設置該國家的 Google 主頁網址。

如果你要抓取各個產品頁面，可以在引用中設置相關類別的網址，或者可以找到要抓取的域的反向鏈接。 我通常使用 SEMRush 來這么做。

如果你點擊查看放大的圖像，你可以看到一些鏈接指向我所需的類別。一旦你收集所有這些真實的反向鏈接，你可以通過復制邏輯 insideget＿random＿ua（）返回隨機引用，并將它們用作引用。 如下所示：

代理IP

我不得不強調這一點。如果認真研究，那么你必須使用多個代理 IP 來避免阻塞。 大多數網站會根據你的服務器或主機提供商的靜態 IP 來阻止抓取工具。 這些網站使用智能的工具來確定某個 IP 或 IP 池的方式，并簡單地阻止它們。 這也是為什么建議購買幾個 IP 地址，50－100個至少要避免阻塞。有許多可用的服務，但我對 Shaders（現在稱為 OxyLabs ）感到滿意。 它們雖然很貴，但服務質量很好。 確保你在訂購多個 IP 時，要求提供隨機 IP 或至少不遵循 1．2．3．4 到 1．2．3．100 等特定模式。站點管理員將很簡單的設置 IP 地址不全部為 1．2．3．＊ 。 就這么簡單。

如果你正在使用請求，你可以像下面這樣使用它：

如果你在 Selenium 使用代理 IP ，那么這將有點棘手。

不用說，get＿random＿proxy（） 是返回一個唯一且隨機代理的方法，就像上面獲得唯一且隨機的 UA 和 Referer 一樣。

你可以思考一個這樣的系統，在系統中你可以設置一個 IP 每天或每小時訪問網站頻率，如果它超過了，那么它將被放入一個籠子里直到第二天。 我所在的公司設計了一個這樣的系統，不僅設置了 IP 訪問頻率，還記錄了哪個 IP 被阻止。 最后，我只是使用代理服務提供者僅替換這些代理。 由于這超出了本文的范圍，所以我不會詳細介紹它。

Request Heaters

到目前為止，事情你都已經做得很好，但是仍然有些狡猾的網站要求你做更多的事情。當你訪問頁面的時候他們會查找特定的請求響應頭信息，如果特定的頭信息沒有被發現，他們會阻止內容顯示或者展示一個虛假的內容。模擬一個你想訪問的網站的請求是非常簡單的。例如，比如你正準備訪問一個 Craigslist URL ，并且想知道哪個頭部信息是需要的。進入 Chrome／Firefox 瀏覽器，檢查正在訪問的頁面，你應該會看到下面這些內容：

如果你點擊了圖標并查看，你能找到除了 referer 和 user－agent 之外的大量信息。你能一次性全都實現也可以一個個的實現并測試。無論訪問哪個網站，我總是去設置這些信息。請確保你不只是復制粘貼這些信息去訪問所有網站，因為這些信息通常會因網站不同而改變。

延遲

在請求之間放置一些延遲總是很好的。我使用 numpy．random．choice（） 來實現這一目標，該函數將在我想延遲的服務中傳遞隨機數列表：

如果你還沒有使用過 numpy 庫，你也可以使用 random choice 來達到同樣的目的。

如果你真的很急，那么你可以并行執行 URL ，我之前在此文中解釋過了。

結語

Web 爬蟲被阻塞的不確定性永遠不會變為零，但你總是可以采取一些措施來規避它。我討論了一些你應該以某種或其他方式在 web 爬蟲中實現的策略。

如果你知道其他策略或技巧，請通過分享評論讓我獲知。一如既往地，期待你的反饋。