如何避免 HTTP 错误 429（请求过多）python

问题描述：

我正在尝试使用 Python 登录一个网站并从多个网页收集信息，但出现以下错误：

Traceback (most recent call last):
  File "extract_test.py", line 43, in <module>
    response=br.open(v)
  File "/usr/local/lib/python2.7/dist-packages/mechanize/_mechanize.py", line 203, in open
    return self._mech_open(url, data, timeout=timeout)
  File "/usr/local/lib/python2.7/dist-packages/mechanize/_mechanize.py", line 255, in _mech_open
    raise response
mechanize._response.httperror_seek_wrapper: HTTP Error 429: Unknown Response Code

我用过time.sleep()，它可以工作，但它似乎不智能也不可靠，还有其他方法可以避免这个错误吗？

这是我的代码：

import mechanize
import cookielib
import re
first=("example.com/page1")
second=("example.com/page2")
third=("example.com/page3")
fourth=("example.com/page4")
## I have seven URL's I want to open

urls_list=[first,second,third,fourth]

br = mechanize.Browser()
# Cookie Jar
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)

# Browser options 
br.set_handle_equiv(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)

# Log in credentials
br.open("example.com")
br.select_form(nr=0)
br["username"] = "username"
br["password"] = "password"
br.submit()

for url in urls_list:
        br.open(url)
        print re.findall("Some String")

解决方案 1：

收到状态 429 不是一个错误，而是另一台服务器“善意”地要求您停止发送垃圾邮件。显然，您的请求率太高，服务器不愿意接受这一点。

您不应该试图“躲避”这种情况，甚至试图通过尝试欺骗您的 IP 来规避服务器的安全设置，您应该只是尊重服务器的答复，不要发送太多请求。

如果一切设置正确，您还将收到“Retry-after”标头以及 429 响应。此标头指定在进行另一次调用之前应等待的秒数。处理此“问题”的正确方法是读取此标头并让您的进程休眠这么多秒。

您可以在此处找到有关状态 429 的更多信息：https://www.rfc-editor.org/rfc/rfc6585#page-3

解决方案 2：

请求时编写这段代码解决了我的问题：

requests.get(link, headers = {'User-agent': 'your bot 0.1'})

这种方法之所以有效，是因为当未提供用户代理时，网站有时会返回“请求过多 (429)”错误。例如，Reddit 的 API 仅在应用用户代理时才有效。

解决方案 3：

正如 MRA 所说，您不应该试图躲避429 Too Many Requests，而应该采取相应的措施。根据您的用例，您有几种选择：

1)让进程休眠。服务器通常会Retry-after在响应中包含一个标头，其中包含重试前应等待的秒数。请记住，让进程休眠可能会导致问题，例如在任务队列中，您应该稍后重试该任务以释放工作进程以处理其他事务。

2)指数退避。如果服务器没有告诉您需要等待多长时间，您可以增加暂停次数，重试请求。流行的任务队列 Celery 内置了此功能。

3)令牌桶。如果您事先知道在给定时间内可以发出多少个请求，则此技术非常有用。每次访问 API 时，您首先从桶中获取一个令牌。桶以恒定的速率重新填充。如果桶是空的，您知道您必须等待才能再次访问 API。令牌桶通常在另一端（API）实现，但您也可以将它们用作代理，以避免获得429 Too Many Requests。Celery 的rate_limit功能使用令牌桶算法。

以下是使用指数退避和速率限制/令牌桶的 Python/Celery 应用程序的示例：

class TooManyRequests(Exception):
"""Too many requests"""

@task(
   rate_limit='10/s',
   autoretry_for=(ConnectTimeout, TooManyRequests,),
   retry_backoff=True)
def api(*args, **kwargs):
  r = requests.get('placeholder-external-api')

  if r.status_code == 429:
    raise TooManyRequests()

解决方案 4：

if response.status_code == 429:
  time.sleep(int(response.headers["Retry-After"]))

解决方案 5：

另一种解决方法是使用某种公共 VPN 或 Tor 网络来欺骗您的 IP。这将假设服务器在 IP 级别进行速率限制。

有一篇简短的博客文章演示了如何将 tor 与 urllib2 一起使用：

http://blog.flip-edesign.com/?p=119

解决方案 6：

我找到了一个很好的方法来处理爬取网站时 IP 被屏蔽的问题。它让你可以无限期地运行爬取程序，方法是从 Google App Engine 运行它，并在收到 429 时自动重新部署它。

查看这篇文章

解决方案 7：

在许多情况下，即使服务器要求您不要这样做，继续从网站抓取数据也是不道德的。但是，在不道德的情况下，您可以利用公共代理列表来抓取具有许多不同 IP 地址的网站。