python - Scrapy と Incapsula

Question

Scrapy と Splash を使用して、Web サイト「whoscored.com」からデータを取得しようとしています。ここに私の設定があります：

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'

これ以前は、Splash のみを使用していましたが、Incapsula によってブロックされる前に、少なくとも 2 つか 3 つのページをリクエストできました。しかし、Scrapy では、最初のリクエストの直後にブロックされました。

<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>

なんで簡単にブロックされるの？設定を変更する必要がありますか?

前もって感謝します。

score 1 · Accepted Answer

彼らがあなたの以前のスクレイピング活動を記録していた可能性はありますか? そのScrapyは責任を負いませんか？まったく？

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

この部分では、github.com/masscan のような URL を含む自分の Web サーバーのログファイルについても考えさせられました。ドメインがスクレイピングに関連していた場合、またはスクレイピーというフレーズが含まれていた場合、それらを禁止することについて悪い気はしません. 間違いなく robots.txt ルールに従います。ボットはそれをチェックしないでください。見栄えが悪くなります ;) そして、私はそれほど多くのユーザーエージェントを使用しません。また、サイトのデフォルトヘッダーを取得して、独自のヘッダーの代わりに配置するというアイデアも気に入っています。大量のクロールコンテンツでヒットするサイトがあった場合、奇妙に見える/オフに見える要求ヘッダーがあるかどうかに基づいてユーザーをフィルタリングすることを想像できます。

私はあなたをお勧めします...

nmap は、サイトをスキャンして、使用している Web サーバーを見つけます。
最も基本的な設定で、ローカルコンピューターにインストールしてセットアップします (すべてのログパラメータをオンにします。ほとんどのサーバーでは一部がオフになっています)。
そのサーバーのログファイルを確認し、スクレイピングトラフィックがどのように見えるか、サイトに接続しているブラウザを調べてください。
次に、前者を後者とまったく同じように見せる方法を見つけます。
問題を緩和するのにどれもうまくいかない場合は、scrapy を使用しないで、ユーザー自動化によって取得されたページでクロールコードが実行されているサイトを自動的に通過する実際のユーザーエージェントで Selenium を使用してください。
あなたのIPがどこかの禁止リストに載っている可能性があるため、プロキシまたは他の方法で別のIPを使用することもお勧めします.
AWS 無料版は、AWS サーバーに接続されているコンピューターに設定した ssh プロキシポートを介してサイトに接続できる場合、サイトのセキュリティを確認する簡単な方法です。つまり、AWS サーバーが禁止されていないことを意味します。これを使用すると、基本的に地球上のAWSサーバーが私のPiを毎日スキャンしているように見えるため、セキュリティが不足していることを意味すると思います.
隣のスターバックスの隣の図書館でこの作業を行うと、無料の Wi-Fi と異なる IP アドレスを使用できます。

python - Scrapy と Incapsula

1 に答える 1

Related

Reference