原文链接:http://yangshangchuan.iteye.com/blog/2030741

当我们配置Nutch抓取 http://yangshangchuan.iteye.com 的时候,抓取的所有页面内容均为:您的访问请求被拒绝 ...... 这是最简单的反爬虫策略(该策略简单地读取HTTP请求头User-Agent的值来判断是人(浏览器)还是机器爬虫),我们只需要简单地配置Nutch来模拟浏览器(simulate web browser)就可以绕过这种限制。

在nutch-default.xml中有项配置是和User-Agent相关的:

  1. <property>
  2. <name>http.agent.description</name>
  3. <value></value>
  4. <description>Further description of our bot- this text is used in
  5. the User-Agent header.  It appears in parenthesis after the agent name.
  6. </description>
  7. </property>
  8. <property>
  9. <name>http.agent.url</name>
  10. <value></value>
  11. <description>A URL to advertise in the User-Agent header.  This will
  12. appear in parenthesis after the agent name. Custom dictates that this
  13. should be a URL of a page explaining the purpose and behavior of this
  14. crawler.
  15. </description>
  16. </property>
  17. <property>
  18. <name>http.agent.email</name>
  19. <value></value>
  20. <description>An email address to advertise in the HTTP 'From' request
  21. header and User-Agent header. A good practice is to mangle this
  22. address (e.g. 'info at example dot com') to avoid spamming.
  23. </description>
  24. </property>
  25. <property>
  26. <name>http.agent.name</name>
  27. <value></value>
  28. <description>HTTP 'User-Agent' request header. MUST NOT be empty -
  29. please set this to a single word uniquely related to your organization.
  30. NOTE: You should also check other related properties:
  31. http.robots.agents
  32. http.agent.description
  33. http.agent.url
  34. http.agent.email
  35. http.agent.version
  36. and set their values appropriately.
  37. </description>
  38. </property>
  39. <property>
  40. <name>http.agent.version</name>
  41. <value>Nutch-1.7</value>
  42. <description>A version string to advertise in the User-Agent
  43. header.</description>
  44. </property>
<property>
<name>http.agent.description</name>
<value></value>
<description>Further description of our bot- this text is used in
the User-Agent header. It appears in parenthesis after the agent name.
</description>
</property>
<property>
<name>http.agent.url</name>
<value></value>
<description>A URL to advertise in the User-Agent header. This will
appear in parenthesis after the agent name. Custom dictates that this
should be a URL of a page explaining the purpose and behavior of this
crawler.
</description>
</property>
<property>
<name>http.agent.email</name>
<value></value>
<description>An email address to advertise in the HTTP 'From' request
header and User-Agent header. A good practice is to mangle this
address (e.g. 'info at example dot com') to avoid spamming.
</description>
</property>
<property>
<name>http.agent.name</name>
<value></value>
<description>HTTP 'User-Agent' request header. MUST NOT be empty -
please set this to a single word uniquely related to your organization.
NOTE: You should also check other related properties:
http.robots.agents
http.agent.description
http.agent.url
http.agent.email
http.agent.version
and set their values appropriately.
</description>
</property>
<property>
<name>http.agent.version</name>
<value>Nutch-1.7</value>
<description>A version string to advertise in the User-Agent
header.</description>
</property>

在类nutch1.7/src/plugin/lib-http/src/java/org/apache/nutch/protocol/http/api/HttpBase.java中可以看到这项配置是如何构成User-Agent的:

  1. this.userAgent = getAgentString( conf.get("http.agent.name"),
  2. conf.get("http.agent.version"),
  3. conf.get("http.agent.description"),
  4. conf.get("http.agent.url"),
  5. conf.get("http.agent.email") );
this.userAgent = getAgentString( conf.get("http.agent.name"),
        conf.get("http.agent.version"),
        conf.get("http.agent.description"),
        conf.get("http.agent.url"),
        conf.get("http.agent.email") );
  1. private static String getAgentString(String agentName,
  2. String agentVersion,
  3. String agentDesc,
  4. String agentURL,
  5. String agentEmail) {
  6. if ( (agentName == null) || (agentName.trim().length() == 0) ) {
  7. // TODO : NUTCH-258
  8. if (LOGGER.isErrorEnabled()) {
  9. LOGGER.error("No User-Agent string set (http.agent.name)!");
  10. }
  11. }
  12. StringBuffer buf= new StringBuffer();
  13. buf.append(agentName);
  14. if (agentVersion != null) {
  15. buf.append("/");
  16. buf.append(agentVersion);
  17. }
  18. if ( ((agentDesc != null) && (agentDesc.length() != 0))
  19. || ((agentEmail != null) && (agentEmail.length() != 0))
  20. || ((agentURL != null) && (agentURL.length() != 0)) ) {
  21. buf.append(" (");
  22. if ((agentDesc != null) && (agentDesc.length() != 0)) {
  23. buf.append(agentDesc);
  24. if ( (agentURL != null) || (agentEmail != null) )
  25. buf.append("; ");
  26. }
  27. if ((agentURL != null) && (agentURL.length() != 0)) {
  28. buf.append(agentURL);
  29. if (agentEmail != null)
  30. buf.append("; ");
  31. }
  32. if ((agentEmail != null) && (agentEmail.length() != 0))
  33. buf.append(agentEmail);
  34. buf.append(")");
  35. }
  36. return buf.toString();
  37. }
  private static String getAgentString(String agentName,
String agentVersion,
String agentDesc,
String agentURL,
String agentEmail) { if ( (agentName == null) || (agentName.trim().length() == 0) ) {
// TODO : NUTCH-258
if (LOGGER.isErrorEnabled()) {
LOGGER.error("No User-Agent string set (http.agent.name)!");
}
} StringBuffer buf= new StringBuffer(); buf.append(agentName);
if (agentVersion != null) {
buf.append("/");
buf.append(agentVersion);
}
if ( ((agentDesc != null) && (agentDesc.length() != 0))
|| ((agentEmail != null) && (agentEmail.length() != 0))
|| ((agentURL != null) && (agentURL.length() != 0)) ) {
buf.append(" ("); if ((agentDesc != null) && (agentDesc.length() != 0)) {
buf.append(agentDesc);
if ( (agentURL != null) || (agentEmail != null) )
buf.append("; ");
} if ((agentURL != null) && (agentURL.length() != 0)) {
buf.append(agentURL);
if (agentEmail != null)
buf.append("; ");
} if ((agentEmail != null) && (agentEmail.length() != 0))
buf.append(agentEmail); buf.append(")");
}
return buf.toString();
}

在类nutch1.7/src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java中使用User-Agent请求头,这里的http.getUserAgent()返回的userAgent就是HttpBase.java中的userAgent:

  1. String userAgent = http.getUserAgent();
  2. if ((userAgent == null) || (userAgent.length() == 0)) {
  3. if (Http.LOG.isErrorEnabled()) { Http.LOG.error("User-agent is not set!"); }
  4. } else {
  5. reqStr.append("User-Agent: ");
  6. reqStr.append(userAgent);
  7. reqStr.append("\r\n");
  8. }
String userAgent = http.getUserAgent();
if ((userAgent == null) || (userAgent.length() == 0)) {
if (Http.LOG.isErrorEnabled()) { Http.LOG.error("User-agent is not set!"); }
} else {
reqStr.append("User-Agent: ");
reqStr.append(userAgent);
reqStr.append("\r\n");
}

通过上面的分析可知:在nutch-site.xml中只需要增加如下几种配置之一便可以模拟一个特定的浏览器(Imitating a specific browser):

1、模拟Firefox浏览器:

  1. <property>
  2. <name>http.agent.name</name>
  3. <value>Mozilla/5.0 (Windows NT 6.1; WOW64; rv:27.0) Gecko</value>
  4. </property>
  5. <property>
  6. <name>http.agent.version</name>
  7. <value>20100101 Firefox/27.0</value>
  8. </property>
<property>
<name>http.agent.name</name>
<value>Mozilla/5.0 (Windows NT 6.1; WOW64; rv:27.0) Gecko</value>
</property>
<property>
<name>http.agent.version</name>
<value>20100101 Firefox/27.0</value>
</property>

2、模拟IE浏览器:

  1. <property>
  2. <name>http.agent.name</name>
  3. <value>Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident</value>
  4. </property>
  5. <property>
  6. <name>http.agent.version</name>
  7. <value>6.0)</value>
  8. </property>
<property>
<name>http.agent.name</name>
<value>Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident</value>
</property>
<property>
<name>http.agent.version</name>
<value>6.0)</value>
</property>

3、模拟Chrome浏览器:

  1. <property>
  2. <name>http.agent.name</name>
  3. <value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.117 Safari</value>
  4. </property>
  5. <property>
  6. <name>http.agent.version</name>
  7. <value>537.36</value>
  8. </property>
<property>
<name>http.agent.name</name>
<value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.117 Safari</value>
</property>
<property>
<name>http.agent.version</name>
<value>537.36</value>
</property>

4、模拟Safari浏览器:

  1. <property>
  2. <name>http.agent.name</name>
  3. <value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari</value>
  4. </property>
  5. <property>
  6. <name>http.agent.version</name>
  7. <value>534.57.2</value>
  8. </property>
<property>
<name>http.agent.name</name>
<value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari</value>
</property>
<property>
<name>http.agent.version</name>
<value>534.57.2</value>
</property>

5、模拟Opera浏览器:

  1. <property>
  2. <name>http.agent.name</name>
  3. <value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.102 Safari/537.36 OPR</value>
  4. </property>
  5. <property>
  6. <name>http.agent.version</name>
  7. <value>19.0.1326.59</value>
  8. </property>
<property>
<name>http.agent.name</name>
<value>Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.102 Safari/537.36 OPR</value>
</property>
<property>
<name>http.agent.version</name>
<value>19.0.1326.59</value>
</property>

后记:查看User-Agent的方法:

1、http://www.useragentstring.com

2、http://whatsmyuseragent.com

3、http://www.enhanceie.com/ua.aspx

NUTCH/HADOOP视频教程

配置Nutch模拟浏览器以绕过反爬虫限制的更多相关文章

  1. 使用HttpClient配置代理服务器模拟浏览器发送请求调用接口测试

    在调用公司的某个接口时,直接通过浏览器配置代理服务器可以请求到如下数据: 请求url地址:http://wwwnei.xuebusi.com/rd-interface/getsales.jsp?cid ...

  2. Python 配置 selenium 模拟浏览器环境,带下载链接

    使用浏览器渲染引擎.直接用浏览器在显示网页时解析HTML,应用CSS样式并执行JavaScript的语句. 这方法在爬虫过程中会打开一个浏览器,加载该网页,自动操作浏览器浏览各个网页,顺便把数据抓下来 ...

  3. python反爬虫解决方法——模拟浏览器上网

    之前第一次练习爬虫的时候看网上的代码有些会设置headers,然后后面的东西我又看不懂,今天终于知道了原来这东西是用来模拟浏览器上网用的,因为有些网站会设置反爬虫机制,所以如果要获取内容的话,需要使用 ...

  4. scrapy反反爬虫策略和settings配置解析

    反反爬虫相关机制 Some websites implement certain measures to prevent bots from crawling them, with varying d ...

  5. 关于千里马招标网知道创宇反爬虫521状态码的解决方案(python代码模拟js生成cookie _clearence值)

    一.问题发现 近期我在做代理池的时候,发现了一种以前没有见过的反爬虫机制.当我用常规的requests.get(url)方法对目标网页进行爬取时,其返回的状态码(status_code)为521,这是 ...

  6. 《Python3反爬虫原理与绕过实战》作者韦世东

    可以用(k1,k2)-k1来设置,如果有重复的key,则保留key1,舍弃key2/打印appleMap{1=Apple{id=1,name=苹果1,money=3.25,num=10},2=Appl ...

  7. python爬虫:使用Selenium模拟浏览器行为

    前几天有位微信读者问我一个爬虫的问题,就是在爬去百度贴吧首页的热门动态下面的图片的时候,爬取的图片总是爬取不完整,比首页看到的少.原因他也大概分析了下,就是后面的图片是动态加载的.他的问题就是这部分动 ...

  8. Python开发爬虫之动态网页抓取篇:爬取博客评论数据——通过Selenium模拟浏览器抓取

    区别于上篇动态网页抓取,这里介绍另一种方法,即使用浏览器渲染引擎.直接用浏览器在显示网页时解析 HTML.应用 CSS 样式并执行 JavaScript 的语句. 这个方法在爬虫过程中会打开一个浏览器 ...

  9. 第三百三十三节,web爬虫讲解2—Scrapy框架爬虫—Scrapy模拟浏览器登录—获取Scrapy框架Cookies

    第三百三十三节,web爬虫讲解2—Scrapy框架爬虫—Scrapy模拟浏览器登录 模拟浏览器登录 start_requests()方法,可以返回一个请求给爬虫的起始网站,这个返回的请求相当于star ...

随机推荐

  1. Error:/bin/bash: /bin/java: No such file or directory

    描述:在Hadoop运行Job的时候,可能会报这样的一个错误“/bin/bash: /bin/java: No such file or directory”,那是因可能有些地方用到了/bin/jav ...

  2. android之存储篇_存储方式总览

    作为一个完成的应用程序,数据存储操作是必不可少的.因此,Android系统一共提供了四种数据存储方式.分别是:SharePreference.SQLite.Content Provider和File. ...

  3. DictoryInfo.GetFiles

    using System; using System.IO; namespace ConsoleApplication1 { class Program { static void Main(stri ...

  4. UVA 820 Internet Bandwidth

    题意: 给出双向图,求给出两点的流通总流量. 分析: 网络流中的增广路算法. 代码: #include <iostream>#include <cstring>#include ...

  5. servlet+ajax+json字符串后台传入,前端解析并把数据循环填入表格实例

    写在前面:1.源代码来源于博客http://blog.sina.com.cn/u/2904067371 ,在此基础上对于前端代码稍作更改,把传过来的数据解析并传入表格2.json解析,用eval()3 ...

  6. 不用css样式表和背景图片实现圆角矩形,超简洁!

    当网站页面的整体布局设计好后,接下来有很多细节的实现是很让人头疼的.其中之一就是圆角矩形的实现. 在网上看了很多圆角矩形的实现方法,基本有两种,一种是用纯css实现,不需要背景图片:另一种是用背景图像 ...

  7. asp.net 获取IP地理位置的几个主要接口

    腾讯的IP地址API接口地址:http://fw.qq.com/ipaddress 新浪的IP地址查询接口:http://int.dpool.sina.com.cn/iplookup/iplookup ...

  8. web Form 表单method="get" method="post" 区别

    get和post方法的不同 在B/S应用程序中,前台与后台的数据交互,都是通过HTML中Form表单完成的.Form提供了两种数据传输的方式——get和post.虽然它们都是数据的提交方式,但是在实际 ...

  9. Oracle存储过程的一点使用总结

    [博客文章背景]博客开通已经1.2年了,一直碍于技术能力,不敢献丑.想起1年前在一个数据处理相关项目结束后,代金排主管让我做一个数据库开发总结文档和一个Toad.PL/SQL Developer工具的 ...

  10. DEV GridControl导出到Excel或打印

    //方法1SaveFileDialog fileDialog = new SaveFileDialog(); fileDialog.Title = "导出Excel"; fileD ...