前言
大家在读爬虫系列的帖子时常常问我怎样写出不阻塞的爬虫，这很难，但可行。通过实现一些小策略可以让你的网页爬虫活得更久。那么今天我就将和大家讨论这方面的话题。
用户代理
你需要关心的第一件事是设置用户代理。 用户代理是用户访问的工具，并告知服务器用户正在使用哪个网络浏览器访问网站。 如果未设置用户代理，许多网站不会让你查看内容。 如果你正在使用rquests库，可以执行如下操作：
你可以通过在 Google 搜索栏中输入 User－Agent 来获取用户代理的信息，并且它会返回你当前的用户代理信息。
现在，你已经有了一个用户代理，但如何去使用它？ 那么，最好的方法是从文本文件、数据库、Python 的列表中选择一个随机的 User－Agent 。 Udger 分享了大量的 UA w．r．t 浏览器。 比如，对于 Chrome 而言，它看起来像这样，对 Firefox 来说，又像这样。 现在让我们来创建一个函数，它将返回一个随机 UA ，你可以在请求中使用：
ua＿file．txt 包含一个来自我上面共享的网站的每行 UA 。 函数 get＿random＿ua 将始终从该文件中返回唯一的 UA 。 你现在可以调用如下函数：
Referrers
接下来你需要设置的是引用。 一般的规则是，如果它是一个列表页面或主页，那么你可以设置该国家的 Google 主页网址。
如果你要抓取各个产品页面，可以在引用中设置相关类别的网址，或者可以找到要抓取的域的反向链接。 我通常使用 SEMRush 来这么做。
如果你点击查看放大的图像，你可以看到一些链接指向我所需的类别。一旦你收集所有这些真实的反向链接，你可以通过复制逻辑 insideget＿random＿ua（）返回随机引用，并将它们用作引用。 如下所示：
代理IP
我不得不强调这一点。如果认真研究，那么你必须使用多个代理 IP 来避免阻塞。 大多数网站会根据你的服务器或主机提供商的静态 IP 来阻止抓取工具。 这些网站使用智能的工具来确定某个 IP 或 IP 池的方式，并简单地阻止它们。 这也是为什么建议购买几个 IP 地址，50－100个至少要避免阻塞。有许多可用的服务，但我对 Shaders（现在称为 OxyLabs ）感到满意。 它们虽然很贵，但服务质量很好。 确保你在订购多个 IP 时，要求提供随机 IP 或至少不遵循 1．2．3．4 到 1．2．3．100 等特定模式。站点管理员将很简单的设置 IP 地址不全部为 1．2．3．＊ 。 就这么简单。
如果你正在使用请求，你可以像下面这样使用它：
如果你在 Selenium 使用代理 IP ，那么这将有点棘手。
不用说，get＿random＿proxy（） 是返回一个唯一且随机代理的方法，就像上面获得唯一且随机的 UA 和 Referer 一样。
你可以思考一个这样的系统，在系统中你可以设置一个 IP 每天或每小时访问网站频率，如果它超过了，那么它将被放入一个笼子里直到第二天。 我所在的公司设计了一个这样的系统，不仅设置了 IP 访问频率，还记录了哪个 IP 被阻止。 最后，我只是使用代理服务提供者仅替换这些代理。 由于这超出了本文的范围，所以我不会详细介绍它。
Request Heaters
到目前为止，事情你都已经做得很好，但是仍然有些狡猾的网站要求你做更多的事情。当你访问页面的时候他们会查找特定的请求响应头信息，如果特定的头信息没有被发现，他们会阻止内容显示或者展示一个虚假的内容。模拟一个你想访问的网站的请求是非常简单的。例如，比如你正准备访问一个 Craigslist URL ，并且想知道哪个头部信息是需要的。进入 Chrome／Firefox 浏览器，检查正在访问的页面，你应该会看到下面这些内容：
如果你点击了图标并查看，你能找到除了 referer 和 user－agent 之外的大量信息。你能一次性全都实现也可以一个个的实现并测试。无论访问哪个网站，我总是去设置这些信息。请确保你不只是复制粘贴这些信息去访问所有网站，因为这些信息通常会因网站不同而改变。
延迟
在请求之间放置一些延迟总是很好的。我使用 numpy．random．choice（） 来实现这一目标，该函数将在我想延迟的服务中传递随机数列表：
如果你还没有使用过 numpy 库，你也可以使用 random choice 来达到同样的目的。
如果你真的很急，那么你可以并行执行 URL ，我之前在此文中解释过了。
结语
Web 爬虫被阻塞的不确定性永远不会变为零，但你总是可以采取一些措施来规避它。我讨论了一些你应该以某种或其他方式在 web 爬虫中实现的策略。
如果你知道其他策略或技巧，请通过分享评论让我获知。一如既往地，期待你的反馈。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
