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:
- 浏览器伪装、用户代理池;
- IP限制--------IP代理池;
- ajax、js异步-------抓包;
- 验证码-------打码平台。
二.散点知识:
- def process_request(): #处理请求
request.meta["proxy"]=.... #添加代理ip - 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
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
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 ]
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
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接。