在Scrapy中使用IP池或用户代理（python3）

时间：2022-12-09 16:58:00

一、创建Scrapy工程

1 scrapy startproject 工程名

 


二、进入工程目录，根据爬虫模板生成爬虫文件

1 scrapy genspider -l # 查看可用模板
2 scrapy genspider -t 模板名 爬虫文件名 允许的域名

 

 

三、定义爬取关注的数据（items.py文件）

 


四、编写爬虫文件

 


五、设置IP池或用户代理
（1）设置IP池
步骤1：在settings.py文件中添加代理服务器的IP信息，如：

1 # 设置IP池
2 IPPOOL = [
3 　　{"ipaddr": "221.230.72.165:80"},
4 　　{"ipaddr": "175.154.50.162:8118"},
5 　　{"ipaddr": "111.155.116.212:8123"}
6 ]

 

步骤2：创建下载中间文件middlewares.py（与settings.py同一个目录），如：

#创建方法，cmd命令行，如项目为modetest，

E:\workspace\PyCharm\codeSpace\modetest\modetest>echo #middlewares.py

 1 # -*- coding: utf-8 -*-
 2 # 导入随机模块
 3 import random
 4 # 导入settings文件中的IPPOOL
 5 from .settings import IPPOOL
 6 # 导入官方文档对应的HttpProxyMiddleware
 7 from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware
 8 
 9 class IPPOOlS(HttpProxyMiddleware):
10 　　# 初始化
11 　　def __init__(self, ip=''):
12 　　self.ip = ip
13 
14 　　# 请求处理
15 　　def process_request(self, request, spider):
16 　　# 先随机选择一个IP
17 　　thisip = random.choice(IPPOOL)
18 　　print("当前使用IP是："+ thisip["ipaddr"])
19 　　request.meta["proxy"] = "http://"+thisip["ipaddr"]

 

步骤3：在settings.py中配置下载中间件

1 # 配置下载中间件的连接信息
2 DOWNLOADER_MIDDLEWARES = {
3 　　'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,
4 　　'modetest.middlewares.IPPOOlS' : 125    
5 }

 

（2）设置用户代理
步骤1：在settings.py文件中添加用户代理池的信息（配置几个浏览器'User-Agent'），如：

1 # 设置用户代理池
2 UPPOOL = [
3 　　"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393"
4 ]

 

步骤2：创建下载中间文件uamid.py（与settings.py同一个目录），如：

#创建方法，cmd命令行，如项目为modetest，

E:\workspace\PyCharm\codeSpace\modetest\modetest>echo #uamind.py

 1 # -*- coding: utf-8 -*-#
 2 # 导入随机模块
 3 import random
 4 # 导入settings文件中的UPPOOL
 5 from .settings import UPPOOL
 6 # 导入官方文档对应的HttpProxyMiddleware
 7 from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
 8 
 9 class Uamid(UserAgentMiddleware):
10 　　# 初始化 注意一定要user_agent，不然容易报错   
11 　　def __init__(self, user_agent=''):
12 　　self.user_agent = user_agent
13 
14 　　# 请求处理
15 　　def process_request(self, request, spider):
16 　　　　# 先随机选择一个用户代理
17 　　　　thisua = random.choice(UPPOOL)
18 　　　　print("当前使用User-Agent是："+thisua)
19 　　　　request.headers.setdefault('User-Agent',thisua)

 

步骤3：在settings.py中配置下载中间件

1 # 配置下载中间件的连接信息
2 DOWNLOADER_MIDDLEWARES = {
3 　　'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 2,
4　　 'modetest.uamid.Uamid': 1    
5 }

 

 

总而言之，有时候避免不了配置这类信息，所以直接在settings中都一起配置了如下，直接粘贴到settings.py文件的最后面

 1 #========================================
 2 
 3 # 设置IP池和用户代理
 4 
 5 #  禁止本地Cookie
 6 COOKIES_ENABLED = False
 7 
 8 # 设置IP池
 9 IPPOOL = [
10     {"ipaddr": "221.230.72.165:80"},
11     {"ipaddr": "175.154.50.162:8118"},
12     {"ipaddr": "111.155.116.212:8123"}
13 ]
14 
15 # 设置用户代理池
16 UPPOOL = [
17     "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393"
18 ]
19 
20 # 配置下载中间件的连接信息
21 DOWNLOADER_MIDDLEWARES = {
22     #'scrapy.contrib.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,
23     #'modetest.middlewares.IPPOOlS' : 125,
24     'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 2,
25     'modetest.uamid.Uamid': 1
26 }
27 
28 #============================================

 

标签：

相关文章