python爬蟲框架scrapy代理中間件掌握學(xué)習(xí)教程
代理的使用場景
編寫爬蟲代碼的程序員,永遠(yuǎn)繞不開就是使用代理,在編碼過程中,你會碰到如下情形:
網(wǎng)絡(luò)不好,需要代理;
目標(biāo)站點國內(nèi)訪問不了,需要代理;
網(wǎng)站封殺了你的 IP,需要代理。
使用 HttpProxyMiddleware 中間件
本次的測試站點依舊使用 http://httpbin.org/
,通過訪問 http://httpbin.org/ip 可以獲取當(dāng)前請求的 IP 地址。
HttpProxyMiddleware 中間件默認(rèn)是開啟的,可以查看其源碼重點為 process_request()
方法。
修改代理的方式非常簡單,只需要在 Requests
請求創(chuàng)建的時候,增加 meta
參數(shù)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)
接下來通過獲取一下 https://www.kuaidaili.com/free/
網(wǎng)站的代理 IP,并測試其代理是否可用。
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)
接下來將可用的代理 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'] }
同時修改 start_requests
方法,獲取 10 頁代理。
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))
實現(xiàn)一個自定義的代理中間件也比較容易,有兩種辦法,第一種繼承 HttpProxyMiddleware
,編寫如下代碼:
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
代碼核心重寫了 __init__
構(gòu)造方法,并重寫了 _set_proxy
方法,在其中實現(xiàn)了隨機(jī)代理獲取。
同步修改 settings.py
文件中的代碼。
DOWNLOADER_MIDDLEWARES = { 'proxy_text.middlewares.RandomProxyMiddleware': 543, }
創(chuàng)建一個新的代理中間件類
class NRandomProxyMiddleware(object): def __init__(self, settings): # 從settings中讀取代理配置 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)
可以看到該類從 settings.py
文件中的 PROXIES
讀取配置,所以修改對應(yīng)配置如下所示:
DOWNLOADER_MIDDLEWARES = { 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': None, 'proxy_text.middlewares.NRandomProxyMiddleware': 543, } # 代碼是前文代碼采集的結(jié)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']
如果你想測試爬蟲,可編寫一個隨機(jī)返回請求代理的函數(shù),將其用到任意爬蟲代碼之上,完成本博客任務(wù)。
以上就是python爬蟲框架scrapy代理中間件掌握學(xué)習(xí)教程的詳細(xì)內(nèi)容,更多關(guān)于scrapy框架代理中間件學(xué)習(xí)的資料請關(guān)注腳本之家其它相關(guān)文章!
- 提升Python Scrapy庫數(shù)據(jù)采集速度實現(xiàn)高效爬蟲
- 詳解如何優(yōu)化和調(diào)整Python中Scrapy的性能
- python爬蟲框架Scrapy基本應(yīng)用學(xué)習(xí)教程
- python scrapy拆解查看Spider類爬取優(yōu)設(shè)網(wǎng)極細(xì)講解
- python實戰(zhàn)項目scrapy管道學(xué)習(xí)爬取在行高手?jǐn)?shù)據(jù)
- python實戰(zhàn)scrapy操作cookie爬取博客涉及browsercookie
- python編程scrapy簡單代碼實現(xiàn)搜狗圖片下載器
- Python爬蟲進(jìn)階Scrapy框架精文講解
- Scrapy基于Python構(gòu)建強(qiáng)大網(wǎng)絡(luò)爬蟲框架實例探究
相關(guān)文章
Python圖像處理之圖像的讀取、顯示與保存操作【測試可用】
這篇文章主要介紹了Python圖像處理之圖像的讀取、顯示與保存操作,結(jié)合實例形式分析了Python使用PIL模塊、scipy和matplotlib模塊進(jìn)行圖像讀寫、顯示等相關(guān)操作技巧,需要的朋友可以參考下2019-01-01Python使用Selenium實現(xiàn)瀏覽器打印預(yù)覽功能
在Web開發(fā)中,打印預(yù)覽是一個常見的功能需求,通過打印預(yù)覽,我們可以預(yù)覽和調(diào)整網(wǎng)頁的打印布局、樣式和內(nèi)容,Python的Selenium庫是一個強(qiáng)大的工具,可以自動化瀏覽器操作,包括打印預(yù)覽,本文將介紹如何使用Python Selenium庫來實現(xiàn)瀏覽器的打印預(yù)覽功能2023-11-11python使用標(biāo)準(zhǔn)庫根據(jù)進(jìn)程名如何獲取進(jìn)程的pid詳解
Python有一套很有用的標(biāo)準(zhǔn)庫(standard library)。標(biāo)準(zhǔn)庫會隨著Python解釋器,一起安裝在你的電腦中的,所以下面這篇文章主要給大家介紹了關(guān)于python使用標(biāo)準(zhǔn)庫根據(jù)進(jìn)程名如何獲取進(jìn)程pid的相關(guān)資料,需要的朋友可以參考下。2017-10-10spark dataframe 將一列展開,把該列所有值都變成新列的方法
今天小編就為大家分享一篇spark dataframe 將一列展開,把該列所有值都變成新列的方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01Python 數(shù)據(jù)處理更容易的12個輔助函數(shù)總結(jié)
Python的產(chǎn)生似乎就是專門用來處理數(shù)據(jù)的,順理成章的成為大數(shù)據(jù)的主流語言,本文介紹十二個函數(shù)輔助你更容易更便捷的用Python進(jìn)行數(shù)據(jù)處理2021-11-11Python?實現(xiàn)多表和工作簿合并及一表按列拆分
這篇文章主要介紹了Python?實現(xiàn)多表和工作簿合并及一表按列拆分,文章圍繞主題展開詳細(xì)的資料介紹,具有一定的參考價值,需要的小伙伴可以參考一下2022-05-05python 判斷是否為正小數(shù)和正整數(shù)的實例
這篇文章主要介紹了python 判斷是否為正小數(shù)和正整數(shù)的實例的相關(guān)資料,這里提供實例,實例注釋說明很清楚,需要的朋友可以參考下2017-07-07python圖像填充與裁剪/resize的實現(xiàn)代碼
這篇文章主要介紹了python圖像填充與裁剪/resize,本文通過示例代碼給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2022-08-08