python爬虫实战--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)

时间:2022-07-20 17:00:42

python爬虫实战(三)--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)

正文

在学习scrapy爬虫框架中,肯定会涉及到IP代理池和User-Agent池的设定,规避网站的反爬。

这两天在看一个关于搜狗微信文章爬取的视频,里面有讲到ip代理池和用户代理池,在此结合自身的所了解的知识,做一下总结笔记,方便以后借鉴。

笔记

一.反爬虫机制处理思路:

  1. 浏览器伪装、用户代理池;
  2. IP限制--------IP代理池;
  3. ajax、js异步-------抓包;
  4. 验证码-------打码平台。

二.散点知识:

  1. def process_request(): #处理请求
      request.meta["proxy"]=.... #添加代理ip
  2. scrapy中如果请求2次就会放弃,说明该代理ip不行。

实战操作

相关代码已经调试成功----2017-4-4

目标网址http://weixin.sogou.com/weixin?type=2&query=python&ie=utf8

实现:关于python文章的抓取,抓取标题、标题链接、描述。如下图所示。

数据:数据我就没有保存,此实战主要是为了学习IP和用户代理池的设定,推荐一个开源项目关于搜狗微信公众号:基于搜狗微信的公众号文章爬虫

图1

python爬虫实战--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)

 在这里贴出设置IP和用户代理池的代码,完整代码请移步我的github:https://github.com/pujinxiao/weixin

 1.middlewares.py主要代码

python爬虫实战--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)
 1 # -*- coding: utf-8 -*-
 2 import random
 3 from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware #代理ip,这是固定的导入
 4 from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware #代理UA,固定导入
 5 class IPPOOLS(HttpProxyMiddleware):
 6     def __init__(self,ip=''):
 7         '''初始化'''
 8         self.ip=ip
 9     def process_request(self, request, spider):
10         '''使用代理ip,随机选用'''
11         ip=random.choice(self.ip_pools) #随机选择一个ip
12         print '当前使用的IP是'+ip['ip']
13         try:
14             request.meta["proxy"]="http://"+ip['ip']
15         except Exception,e:
16             print e
17             pass
18     ip_pools=[
19         {'ip': '124.65.238.166:80'},
20         # {'ip':''},
21     ]
22 class UAPOOLS(UserAgentMiddleware):
23     def __init__(self,user_agent=''):
24         self.user_agent=user_agent
25     def process_request(self, request, spider):
26         '''使用代理UA,随机选用'''
27         ua=random.choice(self.user_agent_pools)
28         print '当前使用的user-agent是'+ua
29         try:
30             request.headers.setdefault('User-Agent',ua)
31         except Exception,e:
32             print e
33             pass
34     user_agent_pools=[
35         'Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3',
36         'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3',
37         'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36',
38     ]
python爬虫实战--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)

2.setting.py主要代码

1 DOWNLOADER_MIDDLEWARES = {
2     'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,
3     'weixin.middlewares.IPPOOLS':124,
4     'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware' : 125,
5     'weixin.middlewares.UAPOOLS':126
6 }

作者:今孝
出处:http://www.cnblogs.com/jinxiao-pu/p/6665180.html