python爬虫被限制,python爬虫超时
本文主要介绍python反爬虫技术来限制连续请求的处理时间。有需要的朋友可以借鉴一下,希望能有所帮助。祝大家进步很大,早日升职加薪。
00-1010前言使用hook函数根据缓存行为设置访问时间。爬虫相关的图书馆1。爬虫常用测试网站:httpbin.org2. requests-cache微创在原代码中增加缓存功能。缓存的清除和标识。自定义设置缓存的形式。示例1:设置缓存文件类型。示例2:设置缓存内容
目录
一般的反抓取措施是增加多个请求之间的随机间隔时间,即设置一定的延迟。但如果请求后有缓存,则可以省略设置延迟,从而在一定程度上缩短爬虫程序的耗时。
下面用requests_cache来模拟浏览器访问网站的缓存行为。具体逻辑如下:如果有缓存,直接去;如果没有缓存,就停下来再走。
示例代码
前言
import requests _ cache import time requests _ cache . install _ cache()
#默认情况下,跟随浏览器的缓存。
requests_cache.clear()
def make _ throttle _ hook(time out=0.1):
def hook(response,*args,**kwargs):
打印(响应.文本)
#判断没有缓存时增加延迟。
如果不是getattr(响应, from_cache ,False):
打印(等待{超时}秒!)
time.sleep(超时)
else:
print(f exists cache : { response . from _ cache } )
返回响应
return hook if _ _ name _ _== _ _ main _ _ :
requests_cache.install_cache()
requests_cache.clear()
会话=请求_缓存。缓存会话()
#创建缓存会话
session . hooks={ response : make _ throttle _ hook(2)}
#配置挂钩功能
打印(“第一次请求”)。中心(50, * )
session . get( http://http bin . org/get )
打印(“第二次请求”)。中心(50, * )
session . get( http://http bin . org/get )
关于requests_cache的更多用法,请参考下面对requests_cache的描述。
用勾子函数根据缓存行为设置访问时间
爬虫相关库
httpbin.org的这个网站可以测试HTTP请求和响应的各种信息,如cookie、ip、报头、登录验证等。并且支持GET、POST等多种方法,对于web开发和测试非常有帮助。它是用Python Flask编写的,是一个开源项目。
1.爬虫常用的测试网站:httpbin.org
Requests-cache,即requestsnbs
p;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。
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 requestsimport time
start = time.time()
session = requests.Session()
for i in range(10):
session.get(http://httpbin.org/delay/1)
print(fFinished {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_cacheimport time
start = time.time()
session = requests_cache.CachedSession(demo_cache)
for i in range(10):
session.get(http://httpbin.org/delay/1)
print(fFinished {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_cacherequests_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(fFinished {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_cacheimport 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(fcache exists: {res.from_cache})
# cache exists: False # 不存在缓存
res = requests.get(url)
print(fexists 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:
import timeimport 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,))
只缓存200返回值的请求
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(fFinished {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(fFinished {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
}
)
以上就是python反反爬虫技术限制连续请求时间处理的详细内容,更多关于python反反爬虫连续请求限制的资料请关注盛行IT软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。