python爬虫框架scrapy代理中间件掌握学习教程
作者:梦想橡皮擦 时间:2021-03-22 15:34:54
代理的使用场景
编写爬虫代码的程序员,永远绕不开就是使用代理,在编码过程中,你会碰到如下情形:
网络不好,需要代理;
目标站点国内访问不了,需要代理;
网站封杀了你的 IP,需要代理。
使用 HttpProxyMiddleware 中间件
本次的测试站点依旧使用 http://httpbin.org/
,通过访问 http://httpbin.org/ip 可以获取当前请求的 IP 地址。
HttpProxyMiddleware 中间件默认是开启的,可以查看其源码重点为 process_request()
方法。
修改代理的方式非常简单,只需要在 Requests
请求创建的时候,增加 meta
参数即可。
import scrapy
class PtSpider(scrapy.Spider):
name = 'pt'
allowed_domains = ['httpbin.org']
start_urls = ['http://httpbin.org/ip']
def start_requests(self):
yield scrapy.Request(url=self.start_urls[0], meta={'proxy': 'http://202.5.116.49:8080'})
def parse(self, response):
print(response.text)
接下来通过获取一下 https://www.kuaidaili.com/free/
网站的代理 IP,并测试其代理是否可用。
import scrapy
class PtSpider(scrapy.Spider):
name = 'pt'
allowed_domains = ['httpbin.org', 'kuaidaili.com']
start_urls = ['https://www.kuaidaili.com/free/']
def parse(self, response):
IP = response.xpath('//td[@data-title="IP"]/text()').getall()
PORT = response.xpath('//td[@data-title="PORT"]/text()').getall()
url = 'http://httpbin.org/ip'
for ip, port in zip(IP, PORT):
proxy = f"http://{ip}:{port}"
meta = {
'proxy': proxy,
'dont_retry': True,
'download_timeout': 10,
}
yield scrapy.Request(url=url, callback=self.check_proxy, meta=meta, dont_filter=True)
def check_proxy(self, response):
print(response.text)
接下来将可用的代理 IP 保存到 JSON 文件中。
import scrapy
class PtSpider(scrapy.Spider):
name = 'pt'
allowed_domains = ['httpbin.org', 'kuaidaili.com']
start_urls = ['https://www.kuaidaili.com/free/']
def parse(self, response):
IP = response.xpath('//td[@data-title="IP"]/text()').getall()
PORT = response.xpath('//td[@data-title="PORT"]/text()').getall()
url = 'http://httpbin.org/ip'
for ip, port in zip(IP, PORT):
proxy = f"http://{ip}:{port}"
meta = {
'proxy': proxy,
'dont_retry': True,
'download_timeout': 10,
'_proxy': proxy
}
yield scrapy.Request(url=url, callback=self.check_proxy, meta=meta, dont_filter=True)
def check_proxy(self, response):
proxy_ip = response.json()['origin']
if proxy_ip is not None:
yield {
'proxy': response.meta['_proxy']
}
同时修改 start_requests
方法,获取 10 页代理。
class PtSpider(scrapy.Spider):
name = 'pt'
allowed_domains = ['httpbin.org', 'kuaidaili.com']
url_format = 'https://www.kuaidaili.com/free/inha/{}/'
def start_requests(self):
for page in range(1, 11):
yield scrapy.Request(url=self.url_format.format(page))
实现一个自定义的代理中间件也比较容易,有两种办法,第一种继承 HttpProxyMiddleware
,编写如下代码:
from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware
from collections import defaultdict
import random
class RandomProxyMiddleware(HttpProxyMiddleware):
def __init__(self, auth_encoding='latin-1'):
self.auth_encoding = auth_encoding
self.proxies = defaultdict(list)
with open('./proxy.csv') as f:
proxy_list = f.readlines()
for proxy in proxy_list:
scheme = 'http'
url = proxy.strip()
self.proxies[scheme].append(self._get_proxy(url, scheme))
def _set_proxy(self, request, scheme):
creds, proxy = random.choice(self.proxies[scheme])
request.meta['proxy'] = proxy
if creds:
request.headers['Proxy-Authorization'] = b'Basic ' + creds
代码核心重写了 __init__
构造方法,并重写了 _set_proxy
方法,在其中实现了随机代理获取。
同步修改 settings.py
文件中的代码。
DOWNLOADER_MIDDLEWARES = {
'proxy_text.middlewares.RandomProxyMiddleware': 543,
}
创建一个新的代理中间件类
class NRandomProxyMiddleware(object):
def __init__(self, settings):
# 从settings中读取代理配置 PROXIES
self.proxies = settings.getlist("PROXIES")
def process_request(self, request, spider):
request.meta["proxy"] = random.choice(self.proxies)
@classmethod
def from_crawler(cls, crawler):
if not crawler.settings.getbool("HTTPPROXY_ENABLED"):
raise NotConfigured
return cls(crawler.settings)
可以看到该类从 settings.py
文件中的 PROXIES
读取配置,所以修改对应配置如下所示:
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': None,
'proxy_text.middlewares.NRandomProxyMiddleware': 543,
}
# 代码是前文代码采集的结果
PROXIES = ['http://140.249.48.241:6969',
'http://47.96.16.149:80',
'http://140.249.48.241:6969',
'http://47.100.14.22:9006',
'http://47.100.14.22:9006']
如果你想测试爬虫,可编写一个随机返回请求代理的函数,将其用到任意爬虫代码之上,完成本博客任务。
来源:https://blog.csdn.net/hihell/article/details/121012464
标签:python,scrapy,中间件
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
asp中日期时间函数介绍
2013-06-01 20:01:03
python XlsxWriter模块创建aexcel表格的实例讲解
2023-08-30 02:20:47
![](https://img.aspxhome.com/file/2023/3/65093_0s.jpg)
[hta]一个定时重启或关闭计算机的小工具
2007-10-17 12:02:00
![](https://img.aspxhome.com/file/UploadPic/200710/17/20071017123221194s.jpg)
PHP引用符&的用法详细解析
2023-10-17 17:25:53
DHTML中重要的属性方法
2008-06-21 17:13:00
PHP字符串中提取文件名的实例方法
2023-06-12 18:57:32
实用301转向到另一域名相应页面的asp代码
2011-04-18 10:42:00
django实现后台显示媒体文件
2023-07-26 15:03:23
centos 安装mysql中遇到问题的解决办法
2010-12-14 15:11:00
CentOS 6.3安装配置nginx+php+mysql
2023-11-24 11:11:33
jsp输出九九乘法表的简单实例
2023-07-12 01:26:31
![](https://img.aspxhome.com/file/2023/0/91750_0s.jpg)
常用于后台开发的jQuery插件
2010-09-25 12:47:00
DNS优化的原理和方法
2012-04-26 16:43:56
用JMail、CDONTS发送邮件asp源码
2007-09-24 15:58:00
2个asp获取安全字符串的方法
2007-10-19 15:08:00
如何将服务器端变量转换为客户端的变量?
2009-12-03 19:54:00
oracle数据排序后获取前几行数据的写法(rownum、fetch方式)
2023-07-02 01:15:09
![](https://img.aspxhome.com/file/2023/2/63372_0s.jpg)
怎么样才能让ASP避免被SQL注入啊?
2008-08-08 12:27:00
区分有单选框的选项和普通的选项
2008-04-17 13:44:00
![](/images/sg_trans.gif)
python字符串连接的N种方式总结
2023-10-12 08:47:44