爬虫代理Scrapy框架详细介绍3
动态设置User-Agent(随机切换User-Agent,模拟不同用户的浏览器信息,可以使用组件scrapy-random-useragent)
禁用Cookies(对于简单网站可以不启用cookies middleware,不向Server发送cookies,有些网站通过cookie的使用发现爬虫行为)可以通过COOKIES_ENABLED 控制 CookiesMiddleware 开启或关闭
启用Cookies(对于复杂网站,需要使用无头浏览器scrapy-splash获取js生成的复杂cookies
设置延迟下载(防止访问过于频繁,设置为 2秒 或更高)
Google Cache 和 Baidu Cache:如果可能的话,使用谷歌/百度等搜索引擎服务器页面缓存获取页面数据。
Referer 使用假的来源,比如百度带关键词的链接
使用IP地址池:现在大部分网站都是根据IP来ban的,可以通过亿牛云海量定制代理理池突破
使用 亿牛云爬虫代理组件代码。
#! -*- encoding:utf-8 -*- import base64 import sys import random PY3 = sys.version_info[0] = 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode(utf8) else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode(ascii) else: return output_bytes class ProxyMiddleware(object): def process_request(self, request, spider): # 代理服务器(产品官网 www.16yun.cn) proxyHost = t.16yun.cn proxyPort = 31111 # 代理隧道验证信息 proxyUser = username proxyPass = password request.meta[proxy] = http://{0}:{1} .format(proxyHost,proxyPort) # 添加验证头 encoded_user_pass = base64ify(proxyUser + : + proxyPass) request.headers[Proxy-Authorization] = Basic + encoded_user_pass # 设置IP切换头(根据需求) tunnel = random.randint(1,10000) request.headers[Proxy-Tunnel] = str(tunnel)修改项目配置文件 (./项目名/settings.py)
DOWNLOADER_MIDDLEWARES = { scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware: 110, 项目名.middlewares.ProxyMiddleware: 100,设置下载中间件(Downloader Middlewares)
下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件,可以有多个下载中间件被加载运行。
当引擎传递请求给下载器的过程中,下载中间件可以对请求进行处理 (例如增加http header信息,增加proxy信息等);
在下载器完成http请求,传递响应给引擎的过程中, 下载中间件可以对响应进行处理(例如进行gzip的解压等)
要激活下载器中间件组件,将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict),键为中间件类的路径,值为其中间件的顺序(order)。
这里是一个例子:
DOWNLOADER_MIDDLEWARES = { mySpider.middlewares.MyDownloaderMiddleware: 543,
编写下载器中间件十分简单。每个中间件组件是一个定义了以下一个或多个方法的Python类:
class scrapy.contrib.downloadermiddleware.DownloaderMiddlewareprocess_request(self, request, spider)
当每个request通过下载中间件时,该方法被调用。
process_request() 必须返回以下其中之一:一个 None 、一个 Response 对象、一个 Request 对象或raise IgnoreRequest:
如果其返回 None ,Scrapy将继续处理该request,执行其他的中间件的相应方法,直到合适的下载器处理函数(download handler)被调用, 该request被执行(其response被下载)。
如果其返回 Response 对象,Scrapy将不会调用 任何 其他的 process_request() 或
process_exception() 方法,或相应地下载函数; 其将返回该response。 已安装的中间件的
process_response() 方法则会在每个response返回时被调用。
如果其返回 Request 对象,Scrapy则停止调用
process_request方法并重新调度返回的request。当新返回的request被执行后,
相应地中间件链将会根据下载的response被调用。
如果其raise一个 IgnoreRequest 异常,则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常, 则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常, 则该异常被忽略且不记录(不同于其他异常那样)。
参数:
request (Request 对象) – 处理的request
spider (Spider 对象) – 该request对应的spider
process_response(self, request, response, spider)当下载器完成http请求,传递响应给引擎的时候调用
process_request() 必须返回以下其中之一: 返回一个 Response 对象、 返回一个 Request 对象或raise一个 IgnoreRequest 异常。
如果其返回一个 Response (可以与传入的response相同,也可以是全新的对象), 该response会被在链中的其他中间件的 process_response() 方法处理。
如果其返回一个 Request 对象,则中间件链停止, 返回的request会被重新调度下载。处理类似于 process_request() 返回request所做的那样。
如果其抛出一个 IgnoreRequest 异常,则调用request的errback(Request.errback)。 如果没有代码处理抛出的异常,则该异常被忽略且不记录(不同于其他异常那样)。
参数:
request (Request 对象) – response所对应的request
response (Response 对象) – 被处理的response
spider (Spider 对象) – response所对应的spider
使用案例: 1. 创建middlewares.py文件。Scrapy代理IP、Uesr-Agent的切换都是通过DOWNLOADER_MIDDLEWARES进行控制,我们在settings.py同级目录下创建middlewares.py文件,包装所有请求。
# middlewares.py #!/usr/bin/env python #-*- coding:utf-8 -*- import random import base64 from settings import USER_AGENTS from settings import PROXIES # 随机的User-Agent class RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) request.headers.setdefault( User-Agent , useragent) class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy[user_passwd] is None: # 没有代理账户验证的代理使用方式 request.meta[proxy] = http:// + proxy[ip_port] else: # 对账户密码进行base64编码转换 base64_userpasswd = base64.b64encode(proxy[user_passwd]) # 对应到代理服务器的信令格式里 request.headers[Proxy-Authorization] = Basic + base64_userpasswd request.meta[proxy] = http:// + proxy[ip_port]
为什么HTTP代理要使用base64编码:
HTTP代理的原理很简单,就是通过HTTP协议与代理服务器建立连接,协议信令中包含要连接到的远程主机的IP和端口号,如果有需要身份验证的话还需要加上授权信息,服务器收到信令后首先进行身份验证,通过后便与远程主机建立连接,连接成功之后会返回给客户端200,表示验证通过,就这么简单,下面是具体的信令格式:
CONNECT 59.64.128.198:21 HTTP/1.1 Host: 59.64.128.198:21 Proxy-Authorization: Basic bGV2I1TU5OTIz User-Agent: OpenFetion
其中Proxy-Authorization是身份验证信息,Basic后面的字符串是用户名和密码组合后进行base64编码的结果,也就是对username:password进行base64编码。
HTTP/1.0 200 Connection established
OK,客户端收到收面的信令后表示成功建立连接,接下来要发送给远程主机的数据就可以发送给代理服务器了,代理服务器建立连接后会在根据IP地址和端口号对应的连接放入缓存,收到信令后再根据IP地址和端口号从缓存中找到对应的连接,将数据通过该连接转发出去。
添加USER_AGENTS:
USER_AGENTS = [ Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0) , Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322) , Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30) , Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30) , Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6 , Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1 , Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0 , Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5
添加代理IP设置PROXIES:
代理IP可以购买亿牛云的爬虫代理IP:
PROXIES = [ {ip_port: t.16yun.cn:31111, user_passwd: 16yun:16yun}, {ip_port: t.16yun.cn:31112, user_passwd: 16yun:16yun}
除非特殊需要,禁用cookies,防止某些网站根据Cookie来封锁爬虫。COOKIES_ENABLED = False
设置下载延迟DOWNLOAD_DELAY = 3
最后设置setting.py里的DOWNLOADER_MIDDLEWARES,添加自己编写的下载中间件类。
DOWNLOADER_MIDDLEWARES = { #mySpider.middlewares.MyCustomDownloaderMiddleware: 543, mySpider.middlewares.RandomUserAgent: 1, mySpider.middlewares.ProxyMiddleware: 100
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/53613.html
FireFoxgooglelinuxpythonwindows相关文章
- 静态代理——时间都去哪儿了
- Python爬虫实战——搭建自己的IP代理池[通俗易懂]
- Java 实现ip代理池请求-爬虫防封、文章阅读刷量
- 学习爬虫之Scrapy框架学习(六)–1.直接使用scrapy;使用scrapy管道;使用scrapy的媒体管道类进行猫咪图片存储。媒体管道类学习。自建媒体管道类存储图片
- 代理IP如何帮助网络爬虫实现高效爬取?
- 爬虫中正确使用User Agent和代理IP的方式
- 【Groovy】闭包 Closure ( 闭包的 delegate 代理策略 | OWNER_FIRST | DELEGATE_FIRST | OWNER_ONLY | DELEGATE_ONLY )
- 小白也能学会搭chatgpt代理!0基础的无敌详细图文帖
- 代理http可以帮助爬虫业务获取哪些数据?如何提高效率?
- 高匿名IP代理为什么更适合爬虫业务使用?
- 浅谈Java动态代理详解编程语言
- 爬虫代理504状态码解决方案
- 爬虫HTTP代理的异常处理及作用
- 关于go语言接入爬虫代理的代码demo
- Linux 神器:sock5 代理,让你的上网更安全更畅快(sock5linux)