[Python知识库]关于反反爬虫技术：对限制连续请求时间的处理

一般的反爬措施是在多次请求之间增加随机的间隔时间，即设置一定的延时。但如果请求后存在缓存，就可以省略设置延迟，这样一定程度地缩短了爬虫程序的耗时。

下面利用requests_cache实现模拟浏览器缓存行为来访问网站，具体逻辑如下：存在缓存，就直接走，不存在缓存，就停一下再走

示例代码

用勾子函数根据缓存行为设置访问时间

import requests_cache
import time
requests_cache.install_cache()  #默认按照浏览器的缓存进行
requests_cache.clear()
def make_throttle_hook(timeout=0.1):
    def hook(response, *args, **kwargs):
        print(response.text)
          # 判断没有缓存时就添加延时
        if not getattr(response, 'from_cache', False):
                print(f'Wait {timeout} s!')
                time.sleep(timeout)
        else:
               print(f'exists cache: {response.from_cache}')
        return response
    return hook
if __name__ == '__main__':
    requests_cache.install_cache()
    requests_cache.clear()
    session = requests_cache.CachedSession() # 创建缓存会话
    session.hooks = {'response': make_throttle_hook(2)} # 配置钩子函数
    print('first requests'.center(50,'*'))
    session.get('http://httpbin.org/get')
    print('second requests'.center(50,'*'))
    session.get('http://httpbin.org/get')

有关requests_cache的更多用法，参考下面requests_cache说明

爬虫相关库

1.?爬虫常用的测试网站：httpbin.org

httpbin.org?这个网站能测试?HTTP?请求和响应的各种信息，比如?cookie、ip、headers?和登录验证等，且支持?GET、POST?等多种方法，对?web?开发和测试很有帮助。它用?Python + Flask?编写，是一个开源项目。

官方网站：http://httpbin.org/?

开源地址：https://github.com/Runscope/httpbin

2. requests-cache

requests-cache，是?requests?库的一个扩展包，利用它可以非常方便地实现请求的缓存，直接得到对应的爬取结果。

GitHub：https://github.com/reclosedev/requests-cache?

PyPi：https://pypi.org/project/requests-cache/?

官方文档：https://requests-cache.readthedocs.io/en/stable/index.html

作用和使用场景

1.在爬取过程中，它可以根据浏览器的缓存机制来选择缓存内容。从请求行为上看与浏览器更加相似，起到反反爬的效果。

2.另外，还可以自定义缓存机制，在爬虫项目中，优化性能。

requests-cache库只能对requests的请求实现缓存功能，而且requests要以session方式进行请求。单独的requests.get、requests.post?不能被缓存。?

requests使用方法

安装：?

pip install requests-cache

与普通的代码比较

在爬取一个域名下的多个url时，使用requests.session.get或requests.session.post会比单纯的requests.get、requests.post更高效。因为它只建立了一个会话，并在上面做多次请求。同时还支持登录信息cookie等的传递。

下面比较一下缓存代码的写法?没有缓存的代码：

普通的requests session爬取

import requests
import time

start = time.time()
session = requests.Session()
for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', end - start)

该代码是访问了httpbin.org网站，该网站会解析delay/1，在1秒后返回。

有缓存的代码：

带缓存的requests session爬取

import requests_cache #pip install requests_cache
import time

start = time.time()
session = requests_cache.CachedSession('demo_cache')

for i in range(10):
    session.get('http://httpbin.org/delay/1')
    print(f'Finished {i + 1} requests')
end = time.time()
print('Cost time', end - start)

为原有代码微创式添加缓存功能

只需要添加一句requests_cache.install_cache('demo_cache')即可。

微创式添加缓存功能

import?requests_cache?#pip?install?requests_cache
requests_cache.install_cache('demo_cache')#demo_cache.sqlite?做缓存

import?requests
import?time

start?=?time.time()
session?=?requests.Session()
for?i?in?range(10):
????session.get('http://httpbin.org/delay/1')
????print(f'Finished?{i?+?1}?requests')
end?=?time.time()
print('Cost?time',?end?-?start)

缓存的清空和识别

如果需要清空缓存，可以调用：requests_cache.clear() #?清空缓存代码

通过res.from_cache可以判断该值是否是缓存值：

import?requests_cache
import?requests
requests_cache.install_cache()?#?设置缓存
requests_cache.clear()?#?清空缓存
url?=?'http://httpbin.org/get'
res?=?requests.get(url)
print(f'cache?exists:?{res.from_cache}')
#?cache?exists:?False?#?不存在缓存

res?=?requests.get(url)
print(f'exists?cache:?{res.from_cache}')
#?exists?cache:?True?#?存在缓存

自定义设置缓存的形式

requests_cache.install_cache默认的方式是与浏览器的缓存行为一致的。如果要自定义可以先了解该函数的参数：

requests_cache.install_cache定义

requests_cache.install_cache(
????cache_name='cache',
????backend=None,
????expire_after=None,
????allowable_codes=(200,),
????allowable_methods=('GET',),
????filter_fn=<function?<lambda>?at?0x11c927f80>,
????session_factory=<class?'requests_cache.core.CachedSession'>,
????**backend_options,
)

该参数说明如下：?- cache_name：缓存文件名称。

• backend：设置缓存的存储机制，默认使用sqlite进行存储。

  支持四种不同的存储机制，分别为memory、sqlite、mongoDB、redis。在设置存储机制为mongoDB、redis时需要提前安装对应的模块。pip install pymongo; pip install redies。?

• memory：以字典的形式将缓存存储在内存当中，程序运行完以后缓存将被销毁?

• sqlite：将缓存存储在sqlite数据库中?

• mongoDB：将缓存存储在mongoDB数据库中?

• redis：将缓存存储在redis中?

• expire_after：设置缓存的有效时间，默认永久有效。?

• allowable_codes：设置状态码。?

• allowable_methods：设置请求方式，默认get，表示只有get请求才可以生成缓存。?

• session_factory：设置缓存执行的对象，需要实现CachedSession类。?

• **backend_options：如果缓存的存储方式为sqlit、mongo、redis数据库，该参数表示设置数据库的连接方式。

自定义设置缓存的例子1：设置缓存文件类型

设置缓存文件类型的代码如下：

#设置缓存：任选其一
requests_cache.install_cache('demo_cache')#demo_cache.sqlite 做缓存
#demo_cache文件夹做缓存，删除及表示清空缓存
requests_cache.install_cache('demo_cache', backend='filesystem')
#缓存文件夹便会使用系统的临时目录，而不会在代码区创建缓存文件夹。
requests_cache.install_cache('demo_cache', backend='filesystem', use_temp=True)
#缓存文件夹便会使用系统的专用缓存文件夹，而不会在代码区创建缓存文件夹
requests_cache.install_cache('demo_cache', backend='filesystem', use_cache_dir=True)

#Redis  ，需要安装redis-py  pip install redies
backend = requests_cache.RedisCache(host='localhost', port=6379)
requests_cache.install_cache('demo_cache', backend=backend)

其他不同格式：

• MongoDB?安装pymongo pip install pymongo;

  调用requests_cache.MongoCache?保存为’mongodb’

• gridfs?安装pymongo

  调用requests_cache.GridFSCache?保存为’gridfs’

• DynamoDB boto3?调用requests_cache.DynamoDbCache?保存为’dynamodb’?

• Memory?以字典的形式将缓存存储在内存当中，程序运行完以后缓存将被销毁 调用requests_cache.BaseCache?保存为’memory’

自定义设置缓存的例子2：设置缓存保存内容

具体例子代码如下：

只缓存200返回值的请求

import?time
import?requests
import?requests_cache

#只缓存post
requests_cache.install_cache('demo_cache2',?allowable_methods=['POST'])

#只缓存200返回值的请求
requests_cache.install_cache('demo_cache2',?allowable_codes=(200,))

设置缓存的过期时间：

#site1.com?的内容就会缓存?30?秒，site2.com/static?的内容就永远不会过期
urls_expire_after?=?{'*.site1.com':?30,?'site2.com/static':?-1}
requests_cache.install_cache(
????'demo_cache2',?urls_expire_after=urls_expire_after)

在响应头中，浏览器会根据cache_control参数来确定是否保存缓存，在设置requests_cache缓存时，可以对cache_control参数设置，使其保存浏览器不需要保存的内容。

#?保存头中，cache_control设为不保存的请求
requests_cache.install_cache('demo_cache3',?cache_control=True)

start?=?time.time()
session?=?requests.Session()
for?i?in?range(10):
????session.get('http://httpbin.org/delay/1')
????print(f'Finished?{i?+?1}?requests')
end?=?time.time()
print('Cost?time?for?get',?end?-?start)
start?=?time.time()

for?i?in?range(10):
????session.post('http://httpbin.org/delay/1')
????print(f'Finished?{i?+?1}?requests')
end?=?time.time()
print('Cost?time?for?post',?end?-?start)

在?Request Headers?里面加上了?Cache-Control?为?no-store，这样的话，即使我们声明了缓存那也不会生效。

session.get('http://httpbin.org/delay/1',
????????????????headers={
????????????????????'Cache-Control':?'no-store'
????????????????})