【scrapy】爬虫，从429状态码说起

news2024/10/5 23:29:47

许久未爬，发现爬不动了，哈哈哈，记录下这次失败的爬取经历

问题描述

针对这样的一个网站：

https://www.farfetch.cn/cn/shopping/women/dresses-1/items.aspx?page=1&view=96&sort=3

需求：

1.需要爬取列表页的主图

请添加图片描述

2.爬取详情页的商品信息

请添加图片描述

这个网站看起来吧好像挺容易的，去爬就知道厉害了：

当多次爬取之后（比如7、8次），就会遇到遇到429的问题。如它所提示，这个使访问太频繁导致，其实也就是网站识别出了这个ip，触发了反爬机制。
请添加图片描述

429的含义

HTTP状态码429表示客户端发送的请求过多，超出了服务器的处理能力或限制。它是一种反应速率限制的状态码，用于告知客户端暂时无法处理请求。服务器通过返回状态码429，希望客户端减少请求频率或采取其他措施来降低服务器的负载。
一句话：单个ip频繁访问达到服务器限制就会触发429
参考：https://blog.csdn.net/q7w8e9r4/article/details/133639163

如何解决

下面是我总结的网上提及的几种思路，难度从低到高：

（1） 添加header信息，使其看起来更像浏览器访问。

- 固定user-Agent：如下面是google浏览器的请求信息，当固定使用一个时，被识别为爬虫的风险很高

USER_AGENT = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36’

- 轮换User-Agent：每次请求时就随机切换一个，模仿不同浏览器和设备访问

（2）两个请求之间增加延时：
- 有些服务器会在返回的头部中添加"Retry-After"，告诉你多久之后重试。获取这个值，然后sleep就可以了。

- 在setting.py中增加请求延长时间，可以固定或者随机选择一个时间进行动态延时

- 在爬虫代码中增加延时，如在解析时添加time.sleep(2)

（3）使用AutoThrottle中间件或者setting.py中添加AUTOTHROTTLE_ENABLED = True，根据服务器API的响应情况自动调整请求速率，从而避免触发API的限制。

（4）使用代理ip池，每次请求随机选择一个代理IP

- 免费代理：如站大爷，试了几个，效果很差，不能代理

- 收费代理：没试过，不知道哪个网站收费便宜好用。

（5）分布式爬虫：将请求分散给多个爬虫示例，每个示例使用不同的ip地址

没试过。

（1）-（3）我都试过了，都无效，因为这个网站哪怕是在浏览器中手动连续刷新它多次，也会报429，说明这个与header无关，应该就是单纯的限制单个ip频繁访问（很简单粗暴）。

因此要真正避免触发反爬机制，只有从单个ip和频繁访问这两个因素入手。

针对单个ip的问题：

一是可以使用代理ip池，换句话说，对于现在的网站，不使用代理ip池是容易就被识别为爬虫，导致禁止访问的。

二是可以使用分布式爬虫，这块当前没用过，不多说。

针对频繁访问的问题：

一是可以使用一个较多数量的代理池，比如2000个，那么你这边有2万次请求，分散到每个代理IP，那么每个ip也只会请求10次（且每次之间的间隔时间是比较长的，），此时对于每个代理IP访问网站，都是一个低频的状态，基本不会触发429。

当有代理池存在时，就可以充分利用scrapy的异步和并发机制。

二是可以设置动态延时，爬虫的每个请求发给代理时，也设置一个延迟（用动态的是为了模拟人的行为）,但因为分散给多个代理进行爬取（对服务器而言还是存在着一个短时间高访问的异常现象，但因为是多个ip，每个ip都不会触发反爬机制），这个延迟时间可以设置不那么大（比如2秒），此时对爬取的服务器的压力会减小，属于一个友好操作。