你如何在 python 网络抓取框架 Scrapy 中使用代理支持?
9 回答
Scrapy 可以与 HTTP 代理一起使用吗?
是的。通过 HTTP 代理下载器中间件提供对 HTTP 代理的支持(从 Scrapy 0.8 开始)。见
HttpProxyMiddleware
。
使用代理最简单的方法是设置环境变量http_proxy
。如何做到这一点取决于您的外壳。
C:\> 设置 http_proxy=http://proxy:port csh% setenv http_proxy http://proxy:port sh$ 导出 http_proxy=http://proxy:port
如果你想使用 https 代理并访问 https 网络,设置环境变量http_proxy
你应该遵循下面,
C:\>设置 https_proxy=https://proxy:port csh% setenv https_proxy https://proxy:port sh$ 导出 https_proxy=https://proxy:port
单一代理
HttpProxyMiddleware
在您的中启用settings.py
,如下所示:DOWNLOADER_MIDDLEWARES = { 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1 }
通过代理传递请求
request.meta
:request = Request(url="http://example.com") request.meta['proxy'] = "host:port" yield request
如果您有地址池,您也可以随机选择代理地址。像这样:
多个代理
class MySpider(BaseSpider):
name = "my_spider"
def __init__(self, *args, **kwargs):
super(MySpider, self).__init__(*args, **kwargs)
self.proxy_pool = ['proxy_address1', 'proxy_address2', ..., 'proxy_addressN']
def parse(self, response):
...parse code...
if something:
yield self.get_request(url)
def get_request(self, url):
req = Request(url=url)
if self.proxy_pool:
req.meta['proxy'] = random.choice(self.proxy_pool)
return req
1-创建一个名为“middlewares.py”的新文件并将其保存在您的scrapy项目中,并将以下代码添加到其中。
import base64
class ProxyMiddleware(object):
# overwrite process request
def process_request(self, request, spider):
# Set the location of the proxy
request.meta['proxy'] = "http://YOUR_PROXY_IP:PORT"
# Use the following lines if your proxy requires authentication
proxy_user_pass = "USERNAME:PASSWORD"
# setup basic authentication for the proxy
encoded_user_pass = base64.encodestring(proxy_user_pass)
request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass
2 – 打开项目的配置文件 (./project_name/settings.py) 并添加以下代码
DOWNLOADER_MIDDLEWARES = {
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
'project_name.middlewares.ProxyMiddleware': 100,
}
现在,您的请求应该由该代理传递。很简单,不是吗?
那将是:
导出 http_proxy=http://user:password@proxy:port
有人 [1] 编写了很好的中间件:https ://github.com/aivarsk/scrapy-proxies “Scrapy 代理中间件”
由于我在 /etc/environment 中设置环境时遇到了麻烦,这是我在我的蜘蛛(Python)中放入的内容:
os.environ["http_proxy"] = "http://localhost:12345"
这是我所做的
方法一:
像这样创建一个下载中间件
class ProxiesDownloaderMiddleware(object):
def process_request(self, request, spider):
request.meta['proxy'] = 'user:pass@host:port'
并启用它settings.py
DOWNLOADER_MIDDLEWARES: {
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
'my_scrapy_project_directory.middlewares.ProxiesDownloaderMiddleware': 600,
},
就是这样,现在代理将应用于每个请求
方法二:
只需启用HttpProxyMiddleware
,settings.py
然后为每个请求执行此操作
yield Request(url=..., meta={'proxy': 'user:pass@host:port'})
我建议您使用诸如scrapy-proxy 之类的中间件。您可以轮换代理、过滤不良代理或对所有请求使用单个代理。此外,使用中间件可以省去每次运行时设置代理的麻烦。
这直接来自 GitHub README。
安装 scrapy-rotating-proxy 库
pip install scrapy_proxies
在您的 settings.py 中添加以下设置
# Retry many times since proxies often fail
RETRY_TIMES = 10
# Retry on most error codes since proxies fail for different reasons
RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
'scrapy_proxies.RandomProxy': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
# Proxy list containing entries like
# http://host1:port
# http://username:password@host2:port
# http://host3:port
# ...
PROXY_LIST = '/path/to/proxy/list.txt'
# Proxy mode
# 0 = Every requests have different proxy
# 1 = Take only one proxy from the list and assign it to every requests
# 2 = Put a custom proxy to use in the settings
PROXY_MODE = 0
# If proxy mode is 2 uncomment this sentence :
#CUSTOM_PROXY = "http://host1:port"
在这里您可以更改重试次数,设置单个或轮换代理
- 然后将您的代理添加到这样的 list.txt 文件中
http://host1:port
http://username:password@host2:port
http://host3:port
在此之后,您对该项目的所有请求都将通过代理发送。代理随机轮换每个请求。它不会影响并发。
注意:如果您不想使用代理。您可以简单地注释scrapy_proxy中间件行。
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
# 'scrapy_proxies.RandomProxy': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
快乐爬行!!!
在 Windows 中,我整理了几个以前的答案,并且它起作用了。我只是做了:
C:> set http_proxy = http://username:password@proxy:port
然后我启动了我的程序:
C:/.../RightFolder> scrapy crawl dmoz
其中“dmzo”是程序名称(我写它是因为它是您在 Internet 上的教程中找到的名称,如果您在这里,您可能已经从教程开始)。