Скрэпи и инкапсула

Я пытаюсь использовать Scrapy с Splash для получения данных с веб-сайта whoscored.com. Вот мои настройки:

BOT_NAME = 'scrapy_matchs'

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'scrapy_matchs (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 1

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 20
# The download delay setting will honor only one of:
# CONCURRENT_REQUESTS_PER_DOMAIN = 1
CONCURRENT_REQUESTS_PER_IP = 1

# Disable cookies (enabled by default)
COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
    'Accept-Encoding': 'none',
    'Accept-Language': 'en-US,en;q=0.8',
    'Connection': 'keep-alive'
}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
    'scrapy_useragents.downloadermiddlewares.useragents.UserAgentsMiddleware': 500,
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}

USER_AGENTS = [
    ('Mozilla/5.0 (X11; Linux x86_64) '
     'AppleWebKit/537.36 (KHTML, like Gecko) '
     'Chrome/57.0.2987.110 '
     'Safari/537.36'),  # chrome
    ('Mozilla/5.0 (X11; Linux x86_64) '
     'AppleWebKit/537.36 (KHTML, like Gecko) '
     'Chrome/61.0.3163.79 '
     'Safari/537.36'),  # chrome
    ('Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:55.0) '
     'Gecko/20100101 '
     'Firefox/55.0'),  # firefox
    ('Mozilla/5.0 (X11; Linux x86_64) '
     'AppleWebKit/537.36 (KHTML, like Gecko) '
     'Chrome/61.0.3163.91 '
     'Safari/537.36'),  # chrome
    ('Mozilla/5.0 (X11; Linux x86_64) '
     'AppleWebKit/537.36 (KHTML, like Gecko) '
     'Chrome/62.0.3202.89 '
     'Safari/537.36'),  # chrome
    ('Mozilla/5.0 (X11; Linux x86_64) '
     'AppleWebKit/537.36 (KHTML, like Gecko) '
     'Chrome/63.0.3239.108 '
     'Safari/537.36'),  # chrome
]

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'scrapy_matchs.pipelines.ScrapyMatchsPipeline': 300,
#}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
AUTOTHROTTLE_ENABLED = True
# The initial download delay
AUTOTHROTTLE_START_DELAY = 30
# The maximum download delay to be set in case of high latencies
AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
# AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

SPLASH_URL = 'http://localhost:8050/'
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

До этого я использовал только Splash и смог запросить хотя бы 2 или 3 страницы, прежде чем меня заблокировал Incapsula. Но со Scrapy меня заблокировали сразу после первого запроса.

<html style="height:100%">
 <head>
  <meta content="NOINDEX, NOFOLLOW" name="ROBOTS"/>
  <meta content="telephone=no" name="format-detection"/>
  <meta content="initial-scale=1.0" name="viewport"/>
  <meta content="IE=edge,chrome=1" http-equiv="X-UA-Compatible"/>
  <script src="/_Incapsula_Resource?SWJIYLWA=719d34d31c8e3a6e6fffd425f7e032f3" type="text/javascript">
  </script>
 </head>
 <body style="margin:0px;height:100%">
  <iframe frameborder="0" height="100%" id="main-iframe" marginheight="0px" marginwidth="0px" src="/_Incapsula_Resource?CWUDNSAI=22&amp;xinfo=14-58014137-0%200NNN%20RT%281572446923864%2084%29%20q%280%20-1%20-1%202%29%20r%280%20-1%29%20B17%284%2c200%2c0%29%20U18&amp;incident_id=727001300034907080-167681622137047086&amp;edet=17&amp;cinfo=04000000&amp;rpinfo=0" width="100%">
   Request unsuccessful. Incapsula incident ID: 727001300034907080-167681622137047086
  </iframe>
 </body>
</html>

Почему меня так легко заблокируют? Должен ли я изменить свои настройки?

Заранее спасибо.


person Jérémy Octeau    schedule 30.10.2019    source источник
comment
Вы просто используете Splash, без Crawlera или какой-то альтернативы?   -  person Gallaecio    schedule 31.10.2019
comment
@Gallaecio Да, я просто использую Splash.   -  person Jérémy Octeau    schedule 31.10.2019
comment
Вы пробовали изменить агенты пользователя? Несколько других вещей приходят на ум. Аналитический подход состоял бы в том, чтобы создать страницу, которая печатает все заголовки запроса. Затем посетите его один раз с помощью Splash, а затем просто с помощью Scrapy. И сравните заголовки обоих запросов.   -  person Nikolay Shindarov    schedule 06.11.2019
comment
Я предложил тему для документации Scrapy о банах, она может вам помочь: github. com/scrapy/scrapy/pull/4039/files . Но иметь дело с решениями для защиты от ботов может быть довольно сложно.   -  person Gallaecio    schedule 06.11.2019
comment
Просто предложение. Пожалуйста, соблюдайте правила robots.txt, верните значение true. Incapsula пытается блокировать подобные вещи, вероятно, по юридическим причинам.   -  person fedmich    schedule 09.11.2019


Ответы (1)


Возможно ли, что они зарегистрировали ваши предыдущие действия по извлечению данных? Что Scrapy не несет ответственности? Вообще?

USER_AGENT = 'scrapy_matchs (+http://www.yourdomain.com)'

Эта часть также заставила меня задуматься о файлах журналов моих собственных веб-серверов, в которых есть такие URL-адреса, как github.com/masscan. Если бы домен был связан с парсингом или если бы он содержал фразу scrapy, я бы не стал плохо их банить. Определенно следуйте правилам robots.txt, бот не проверяет его, это выставит вас в плохом свете ;) и я бы не стал использовать так много пользовательских агентов. Мне также нравится идея получить заголовки по умолчанию для сайта и разместить их вместо ваших собственных. Если бы у меня был сайт с большим количеством сканируемого контента, я мог бы представить себе фильтрацию пользователей на основе того, есть ли у них заголовки запросов, которые выглядят странными/неправильными.

Я предлагаю тебе...

  1. nmap сканирует сайт, выясняя, какой веб-сервер они используют.
  2. установите и настройте его на своем локальном компьютере с самыми основными настройками. (Включите все параметры ведения журнала, на большинстве серверов некоторые из них отключены)
  3. проверьте файлы журнала для этого сервера и посмотрите, как выглядит ваш парсинг-трафик по сравнению с вашим браузером, подключающимся к сайту.
  4. Затем выясните, как сделать так, чтобы первое выглядело точно так же, как второе.
  5. Если ничего из этого не помогает решить проблему, не используйте scrapy, просто используйте selenium с реальным пользовательским агентом, автоматически просматривающим сайт с вашим кодом сканирования, работающим на страницах, полученных с помощью автоматизации пользователей.
  6. Я также предлагаю вам использовать другой IP-адрес через прокси или другие методы, потому что кажется, что ваш IP-адрес может быть где-то в каком-то списке банов.
  7. Бесплатная версия AWS была бы простым способом проверки безопасности сайтов, если они позволяют вам подключаться к сайту через прокси-порт ssh, который вы установили на своем компьютере, подключенном к серверу AWS, тогда это означает, что они не заблокировали сервер AWS, на котором вы находитесь. использование которого, как я полагаю, означает, что им не хватает безопасности, потому что кажется, что практически каждый сервер AWS на Земле ежедневно сканирует мой Pi.
  8. Выполнение этой работы в библиотеке рядом со Starbucks рядом с ... с бесплатным Wi-Fi и разными IP-адресами было бы хорошо.
person Michael Hearn    schedule 10.11.2019