Java 爬蟲服務(wù)器被屏蔽的解決方案
這是 Java 爬蟲系列博文的第四篇，在上一篇Java 爬蟲數(shù)據(jù)異步加載如何解決，試試這兩種辦法！ 中，我們從內(nèi)置瀏覽器內(nèi)核和反向解析法兩個角度簡單的聊了聊關(guān)于處理數(shù)據(jù)異步加載問題。在這篇文章中，我們簡單的來聊一聊爬蟲時，資源網(wǎng)站根據(jù)用戶訪問行為屏蔽掉爬蟲程序及其對應(yīng)的解決辦法。
屏蔽爬蟲程序是資源網(wǎng)站的一種保護措施，最常用的反爬蟲策略應(yīng)該是基于用戶的訪問行為。比如限制每臺服務(wù)器在一定的時間內(nèi)只能訪問 X 次，超過該次數(shù)就認為這是爬蟲程序進行的訪問，基于用戶訪問行為判斷是否是爬蟲程序也不止是根據(jù)訪問次數(shù)，還會根據(jù)每次請求的User Agent 請求頭、每次訪問的間隔時間等?？偟膩碚f是由多個因數(shù)決定的，其中以訪問次數(shù)為主。
反爬蟲是每個資源網(wǎng)站自保的措施，旨在保護資源不被爬蟲程序占用。例如我們前面使用到的豆瓣網(wǎng)，它會根據(jù)用戶訪問行為來屏蔽掉爬蟲程序，每個 IP 在每分鐘訪問次數(shù)達到一定次數(shù)后，后面一段時間內(nèi)的請求返回直接返回 403 錯誤，以為著你沒有權(quán)限訪問該頁面。所以我們今天再次拿豆瓣網(wǎng)為例，我們用程序模擬出這個現(xiàn)象，下面是我編寫的一個采集豆瓣電影的程序
/**
* 采集豆瓣電影
*/
public class CrawlerMovie {
public static void main(String[] args) {
try {
CrawlerMovie crawlerMovie = new CrawlerMovie();
// 豆瓣電影鏈接
List<String> movies = crawlerMovie.movieList();
//創(chuàng)建10個線程的線程池
ExecutorService exec = Executors.newFixedThreadPool(10);
for (String url : movies) {
//執(zhí)行線程
exec.execute(new CrawlMovieThread(url));
}
//線程關(guān)閉
exec.shutdown();
} catch (Exception e) {
e.printStackTrace();
}
}
/**
* 豆瓣電影列表鏈接
* 采用反向解析法
*
* @return
*/
public List<String> movieList() throws Exception {
// 獲取100條電影鏈接
String url = "https://movie.douban.com/j/search_subjects?type=movie&tag=熱門&sort=recommend&page_limit=200&page_start=0";
CloseableHttpClient client = HttpClients.createDefault();
List<String> movies = new ArrayList<>(100);
try {
HttpGet httpGet = new HttpGet(url);
CloseableHttpResponse response = client.execute(httpGet);
System.out.println("獲取豆瓣電影列表，返回驗證碼：" + response.getStatusLine().getStatusCode());
if (response.getStatusLine().getStatusCode() == 200) {
HttpEntity entity = response.getEntity();
String body = EntityUtils.toString(entity, "utf-8");
// 將請求結(jié)果格式化成json
JSONObject jsonObject = JSON.parseObject(body);
JSONArray data = jsonObject.getJSONArray("subjects");
for (int i = 0; i < data.size(); i++) {
JSONObject movie = data.getJSONObject(i);
movies.add(movie.getString("url"));
}
}
response.close();
} catch (Exception e) {
e.printStackTrace();
} finally {
client.close();
}
return movies;
}
}
/**
* 采集豆瓣電影線程
*/
class CrawlMovieThread extends Thread {
// 待采集鏈接
String url;
public CrawlMovieThread(String url) {
this.url = url;
}
public void run() {
try {
Connection connection = Jsoup.connect(url)
.method(Connection.Method.GET)
.timeout(50000);
Connection.Response Response = connection.execute();
System.out.println("采集豆瓣電影,返回狀態(tài)碼：" + Response.statusCode());
} catch (Exception e) {
System.out.println("采集豆瓣電影,采集出異常：" + e.getMessage());
}
}
}
這段程序的邏輯比較簡單，先采集到豆瓣熱門電影，這里使用直接訪問 Ajax 獲取豆瓣熱門電影的鏈接，然后解析出電影的詳情頁鏈接，多線程訪問詳情頁鏈接，因為只有在多線程的情況下才能達到豆瓣的訪問要求。豆瓣熱門電影頁面如下：
多次運行上面的程序，你最后會得到下圖的結(jié)果
從上圖中我們可以看出，httpclient 訪問返回的狀態(tài)碼為 403 ，說明我們已經(jīng)沒有權(quán)限訪問該頁面了，也就是說豆瓣網(wǎng)已經(jīng)認為我們是爬蟲程序啦，拒接掉了我們的訪問請求。我們來分析一下我們現(xiàn)在的訪問架構(gòu)，因為我們是直接訪問豆瓣網(wǎng)的，所以此時的訪問架構(gòu)如下圖所示：
我們想要突破這層限制的話，我們就不能直接訪問豆瓣網(wǎng)的服務(wù)器，我們需要拉入第三方，讓別人代替我們?nèi)ピL問，我們每次訪問都找不同的人，這樣就不會被限制了，這個也就是所謂的 IP代理。 此時的訪問架構(gòu)就變成了下面這張圖：
我們使用的 IP代理，我們就需要有 IP代理池，接下來我們就來聊一聊 IP 代理池
IP 代理池
代理服務(wù)器有很多廠商在做這一塊，具體的我就不說了，自己百度 IP 代理可以搜出一大堆，這些 IP代理商都有提供收費和免費的代理 IP，收費的代理 IP可用性高，速度快，在線上環(huán)境如果需要使用代理的話，建議使用收費的代理 IP。如果只是自己研究的話，我們就可以去采集這些廠商的免費公開代理 IP，這些 IP 的性能和可用性都比較差，但是不影響我們使用。
因為我們是 Demo 項目，所以我們就自己搭建 IP代理池。我們該怎么設(shè)計一個 IP代理池呢？下圖是我畫的簡單 IP代理池架構(gòu)圖
從上面的架構(gòu)圖中，可以看出一個 IP 代理系統(tǒng)會涉及到 4 個模塊，分別為 IP 采集模塊、 IP 存儲模塊、IP 檢測模塊和 API 接口模塊。
IP 采集模塊
負責從各大 IP代理廠商采集代理 IP，采集的網(wǎng)站越多，代理 IP 的可用性就越高
IP 存儲模塊
存儲采集回來的代理 IP，比較常用的是 Redis 這樣的高性能的數(shù)據(jù)庫，在存儲方面我們需要存儲兩種數(shù)據(jù)，一種是檢測可用的代理 IP，另一種是采集回來還未檢測的代理 IP。
IP 檢測模塊
檢測采集回來的 IP 是否可用，這樣能夠讓我們提供的 IP 可用性變高，我們先過濾掉不可用的 IP。
API 接口模塊
以接口的形式對外提供可用代理 IP
上面就是關(guān)于 IP代理池的相關(guān)設(shè)計，對于這些我們只需要簡單了解一下就行了，因為現(xiàn)在基本上不需要我們?nèi)ゾ帉?IP代理池服務(wù)啦，在 GitHub 上已經(jīng)有大量優(yōu)秀的開源項目，沒必要重復造輪子啦。我為大家選取了在 GitHub 上有 8K star 的開源 IP代理池項目 proxy_pool ，我們將使用它作為我們 IP 代理池。關(guān)于 proxy_pool 請訪問：https://github.com/jhao104/proxy_pool
部署 proxy_pool
proxy_pool 是用 python 語言寫的，不過這也沒什么關(guān)系，因為現(xiàn)在都可以容器化部署，使用容器化部署可以屏蔽掉一些環(huán)境的安裝，只需要運行鏡像就可以運行服務(wù)了，并不需要知道它里面的具體實現(xiàn)，所以這個項目不懂 Python 的 Java 程序員也是可以使用的。proxy_pool 使用的是 Redis 來存儲采集的 IP，所以在啟動 proxy_pool 前，你需要先啟動 Redis 服務(wù)。下面是 proxy_pool docker啟動步驟。
拉取鏡像
docker pull jhao104/proxy_pool
運行鏡像
docker run --env db_type=REDIS --env db_host=127.0.0.1 --env db_port=6379 --env db_password=pwd_str -p 5010:5010 jhao104/proxy_pool
運行鏡像后，我們等待一段時間，因為第一次啟動采集數(shù)據(jù)和處理數(shù)據(jù)需要一段時間。等待之后訪問 http://{your_host}:5010/get_all/，如果你得到下圖所示的結(jié)果，說明 proxy_pool 項目你已經(jīng)部署成功。
使用 IP 代理
搭建好 IP代理池之后，我們就可以使用代理 IP 來采集豆瓣電影啦，我們已經(jīng)知道了除了 IP 之外，User Agent 請求頭也會是豆瓣網(wǎng)判斷訪問是否是爬蟲程序的一個因素，所以我們也對 User Agent 請求頭進行偽造，我們每次訪問使用不同的 User Agent 請求頭。
我們?yōu)槎拱觌娪安杉绦蛞?IP代理和 隨機 User Agent 請求頭，具體代碼如下：
public class CrawlerMovieProxy {
/**
* 常用 user agent 列表
*/
static List<String> USER_AGENT = new ArrayList<String>(10) {
{
add("Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19");
add("Mozilla/5.0 (Linux; U; Android 4.0.4; en-gb; GT-I9300 Build/IMM76D) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30");
add("Mozilla/5.0 (Linux; U; Android 2.2; en-gb; GT-P1000 Build/FROYO) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1");
add("Mozilla/5.0 (Windows NT 6.2; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0");
add("Mozilla/5.0 (Android; Mobile; rv:14.0) Gecko/14.0 Firefox/14.0");
add("Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36");
add("Mozilla/5.0 (Linux; Android 4.0.4; Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.133 Mobile Safari/535.19");
add("Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3");
add("Mozilla/5.0 (iPod; U; CPU like Mac OS X; en) AppleWebKit/420.1 (KHTML, like Gecko) Version/3.0 Mobile/3A101a Safari/419.3");
}
};
/**
* 隨機獲取 user agent
*
* @return
*/
public String randomUserAgent() {
Random random = new Random();
int num = random.nextInt(USER_AGENT.size());
return USER_AGENT.get(num);
}
/**
* 設(shè)置代理ip池
*
* @param queue 隊列
* @throws IOException
*/
public void proxyIpPool(LinkedBlockingQueue<String> queue) throws IOException {
// 每次能隨機獲取一個代理ip
String proxyUrl = "http://192.168.99.100:5010/get_all/";
CloseableHttpClient httpclient = HttpClients.createDefault();
HttpGet httpGet = new HttpGet(proxyUrl);
CloseableHttpResponse response = httpclient.execute(httpGet);
if (response.getStatusLine().getStatusCode() == 200) {
HttpEntity entity = response.getEntity();
String body = EntityUtils.toString(entity, "utf-8");
JSONArray jsonArray = JSON.parseArray(body);
int size = Math.min(100, jsonArray.size());
for (int i = 0; i < size; i++) {
// 將請求結(jié)果格式化成json
JSONObject data = jsonArray.getJSONObject(i);
String proxy = data.getString("proxy");
queue.add(proxy);
}
}
response.close();
httpclient.close();
return;
}
/**
* 隨機獲取一個代理ip
*
* @return
* @throws IOException
*/
public String randomProxyIp() throws IOException {
// 每次能隨機獲取一個代理ip
String proxyUrl = "http://192.168.99.100:5010/get/";
String proxy = "";
CloseableHttpClient httpclient = HttpClients.createDefault();
HttpGet httpGet = new HttpGet(proxyUrl);
CloseableHttpResponse response = httpclient.execute(httpGet);
if (response.getStatusLine().getStatusCode() == 200) {
HttpEntity entity = response.getEntity();
String body = EntityUtils.toString(entity, "utf-8");
// 將請求結(jié)果格式化成json
JSONObject data = JSON.parseObject(body);
proxy = data.getString("proxy");
}
return proxy;
}
/**
* 豆瓣電影鏈接列表
*
* @return
*/
public List<String> movieList(LinkedBlockingQueue<String> queue) {
// 獲取60條電影鏈接
String url = "https://movie.douban.com/j/search_subjects?type=movie&tag=熱門&sort=recommend&page_limit=40&page_start=0";
List<String> movies = new ArrayList<>(40);
try {
CloseableHttpClient client = HttpClients.createDefault();
HttpGet httpGet = new HttpGet(url);
// 設(shè)置 ip 代理
HttpHost proxy = null;
// 隨機獲取一個代理IP
String proxy_ip = randomProxyIp();
if (StringUtils.isNotBlank(proxy_ip)) {
String[] proxyList = proxy_ip.split(":");
System.out.println(proxyList[0]);
proxy = new HttpHost(proxyList[0], Integer.parseInt(proxyList[1]));
}
// 隨機獲取一個請求頭
httpGet.setHeader("User-Agent", randomUserAgent());
RequestConfig requestConfig = RequestConfig.custom()
.setProxy(proxy)
.setConnectTimeout(10000)
.setSocketTimeout(10000)
.setConnectionRequestTimeout(3000)
.build();
httpGet.setConfig(requestConfig);
CloseableHttpResponse response = client.execute(httpGet);
System.out.println("獲取豆瓣電影列表，返回驗證碼：" + response.getStatusLine().getStatusCode());
if (response.getStatusLine().getStatusCode() == 200) {
HttpEntity entity = response.getEntity();
String body = EntityUtils.toString(entity, "utf-8");
// 將請求結(jié)果格式化成json
JSONObject jsonObject = JSON.parseObject(body);
JSONArray data = jsonObject.getJSONArray("subjects");
for (int i = 0; i < data.size(); i++) {
JSONObject movie = data.getJSONObject(i);
movies.add(movie.getString("url"));
}
}
response.close();
} catch (Exception e) {
e.printStackTrace();
} finally {
}
return movies;
}
public static void main(String[] args) {
// 存放代理ip的隊列
LinkedBlockingQueue<String> queue = new LinkedBlockingQueue(100);
try {
CrawlerMovieProxy crawlerProxy = new CrawlerMovieProxy();
// 初始化ip代理隊列
crawlerProxy.proxyIpPool(queue);
// 獲取豆瓣電影列表
List<String> movies = crawlerProxy.movieList(queue);
//創(chuàng)建固定大小的線程池
ExecutorService exec = Executors.newFixedThreadPool(5);
for (String url : movies) {
//執(zhí)行線程
exec.execute(new CrawlMovieProxyThread(url, queue, crawlerProxy));
}
//線程關(guān)閉
exec.shutdown();
} catch (Exception e) {
e.printStackTrace();
}
}
}
/**
* 采集豆瓣電影線程
*/
class CrawlMovieProxyThread extends Thread {
// 待采集鏈接
String url;
// 代理ip隊列
LinkedBlockingQueue<String> queue;
// 代理類
CrawlerMovieProxy crawlerProxy;
public CrawlMovieProxyThread(String url, LinkedBlockingQueue<String> queue, CrawlerMovieProxy crawlerProxy) {
this.url = url;
this.queue = queue;
this.crawlerProxy = crawlerProxy;
}
public void run() {
String proxy;
String[] proxys = new String[2];
try {
Connection connection = Jsoup.connect(url)
.method(Connection.Method.GET)
.timeout(50000);
// 如果代理ip隊列為空，則重新獲取ip代理
if (queue.size() == 0) crawlerProxy.proxyIpPool(queue);
// 從隊列中獲取代理ip
proxy = queue.poll();
// 解析代理ip
proxys = proxy.split(":");
// 設(shè)置代理ip
connection.proxy(proxys[0], Integer.parseInt(proxys[1]));
// 設(shè)置 user agent
connection.header("User-Agent", crawlerProxy.randomUserAgent());
Connection.Response Response = connection.execute();
System.out.println("采集豆瓣電影,返回狀態(tài)碼：" + Response.statusCode() + " ,請求ip：" + proxys[0]);
} catch (Exception e) {
System.out.println("采集豆瓣電影,采集出異常：" + e.getMessage() + " ,請求ip：" + proxys[0]);
}
}
}
運行修改后的采集程序，可能需要多次運行，因為你的代理 IP 不一定每次都有效。代理 IP 有效的話，你將得到如下結(jié)果
結(jié)果中我們可以看出，40 次的電影詳情頁訪問，有大量的代理 IP 是無效的，只有一小部分的代理 IP 有效。結(jié)果直接證明了免費的代理 IP 可用性不高，所以如果線上需要使用代理 IP 的話，最好使用收費的代理 IP。盡管我們自己搭建的 IP代理池可用性不是太高，但是我們設(shè)置的 IP 代理訪問豆瓣電影已經(jīng)成功了，使用 IP 代理成功繞過了豆瓣網(wǎng)的限制。
關(guān)于爬蟲服務(wù)器被屏蔽，原因有很多，我們這篇文章主要介紹的是通過 設(shè)置 IP 代理和偽造 User Agent 請求頭來繞過豆瓣網(wǎng)的訪問限制。如何讓我們的程序不被資源網(wǎng)站視為爬蟲程序呢？需要做好以下三點：
- 偽造 User Agent 請求頭
- 使用 IP 代理
- 不固定的采集間隔時間
希望這篇文章對你有所幫助，下一篇是關(guān)于多線程爬蟲的探索。如果你對爬蟲感興趣，不妨關(guān)注一波，相互學習，相互進步
文章不足之處，望大家多多指點，共同學習，共同進步
以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要為大家詳細介紹了java實現(xiàn)隨機抽取獎品工具類，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-05-05
idea運行java的配置詳細教程(包含maven，mysql下載配置)
程序員們在開發(fā)的時候,一定會用到Intellij?IDEA這個集成開發(fā)環(huán)境,這篇文章主要給大家介紹了關(guān)于idea運行java的配置(包含maven,mysql下載配置)的相關(guān)資料,需要的朋友可以參考下2024-05-05
CSRF攻擊是一種常見的網(wǎng)絡(luò)攻擊方式，可以通過欺騙用戶來執(zhí)行惡意操作，在Spring Boot應(yīng)用程序中，我們可以采取多種措施來預防CSRF攻擊，本文將給大家介紹一下CSRF攻擊以及如何預防攻擊,需要的朋友可以參考下2023-07-07
這篇文章主要介紹了如何基于js及java分析并封裝排序算法,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-07-07
Java動態(tài)循環(huán)隊列是如何實現(xiàn)的
今天帶大家學習java隊列的相關(guān)知識,文章圍繞著如何實現(xiàn)Java動態(tài)循環(huán)隊列展開,文中有非常詳細的介紹及代碼示例,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了淺談Java垃圾回收機制,文中有非常詳細的圖文示例及代碼示例,對正在學習java的小伙伴們有很好的幫助,需要的朋友可以參考下2021-05-05
Java while(scanner.hasNext())無法跳出的解決方案
這篇文章主要介紹了Java while(scanner.hasNext())無法跳出的解決方案，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-10-10
這篇文章主要為大家介紹了drools規(guī)則動態(tài)化實踐解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-02-02
IDEA創(chuàng)建Maven一直爆紅無法下載的問題解決辦法
這篇文章主要介紹了關(guān)于IDEA創(chuàng)建Maven一直爆紅無法下載的問題的解決辦法,文中圖文結(jié)合的方式給大家講解的非常詳細,對大家解決辦法非常有用,需要的朋友可以參考下2024-06-06
這篇文章主要介紹了關(guān)于Java中Json的各種處理方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-06-06