阿里大牛亲授，用Python爬虫Scrapy框架IP代理的配置与调试

 

前言

在调试爬虫的时候，新手都会遇到关于ip的错误，好好的程序突然报错了，怎么解决，关于ip访问的错误其实很好解决，但是怎么知道解决好了呢？怎么确定是代理ip的问题呢？由于笔者也在不断学习过程中，所以有些解释可能和Python大佬们的解释不一样，如果有不对的地方，请大家多多提携。感谢大家阅读，好了下面正文开始!

代理ip的逻辑在哪里

一个scrapy 的项目结构是这样的

scrapydownloadertest  # 项目文件夹

│  items.py      # 定义爬取结果存储的数据结构

│  middlewares.py  # 中间件（可以理解java的过滤器拦截器）

│  pipelines.py  # 数据管道，对获取到的数据做操作

│  settings.py  # 项目的配置文件

│  __init__.py  # 初始化逻辑

│

├─spiders  # 放置 Spiders 的文件夹

│  │  httpProxyIp.py  # 爬取到结果后的处理类

│  │  __init__.py    # spider初始化逻辑

scrapy.py

复制代码

从上图可以发现，代理ip的设置肯定是在发送请求之前就要设置好，那么唯一符合条件的地方就是 middlewares.py ，所以关于代理的相关逻辑都写在这个里面。直接在其中添加如下代码：

# Scrapy 内置的 Downloader Middleware 为 Scrapy 供了基础的功能，

# 定义一个类，其中（object）可以不写，效果一样

class SimpleProxyMiddleware(object):

# 声明一个数组

proxyList = ['http://218.75.158.153:3128','http://188.226.141.61:8080']

# Downloader Middleware的核心方法，只有实现了其中一个或多个方法才算自定义了一个Downloader Middleware

def process_request(self, request, spider):

# 随机从其中选择一个，并去除左右两边空格

proxy = random.choice(self.proxyList).strip()

# 打印结果出来观察

print("this is request ip:" + proxy)

# 设置request的proxy属性的内容为代理ip

request.meta['proxy'] = proxy

# Downloader Middleware的核心方法，只有实现了其中一个或多个方法才算自定义了一个Downloader Middleware

def process_response(self, request, response, spider):

# 请求失败不等于200

if response.status != 200:

# 重新选择一个代理ip

proxy = random.choice(self.proxyList).strip()

print("this is response ip:" + proxy)

# 设置新的代理ip内容

request.mete['proxy'] = proxy

return request

return response

复制代码

每个 Downloader Middleware 定义了一个或多个方法的类，核心的方法有如下三个：

process_request(request, spider)

process_response(request，response, spider)

process_exception(request, exception, spider)

然后找到 setting.py 文件中的这块区域

修改如下，也就是取消注释，加上刚刚写的Middleware 类的路径

以上就已经配置好了一个简单的代理ip，此时来到 httpProxyIp.py 这个文件， 这个文件是我通过命令 scrapy genspider httpProxyIp icanhazip.com 生成的，创建成功内容如下：

# -*- coding: utf-8 -*-

import scrapy

class HttpproxyipSpider(scrapy.Spider):

name = 'httpProxyIp'

allowed_domains = ['icanhazip.com']

start_urls = ['http://icanhazip.com/']

def parse(self, response):

pass

复制代码

我们修改一下，最终代码如下所示：

# -*- coding: utf-8 -*-

import scrapy

from scrapy.cmdline import execute

class HttpproxyipSpider(scrapy.Spider):

# spider 任务名

name = 'httpProxyIp'

# 允许访问的域名

allowed_domains = ['icanhazip.com']

# 起始爬取的url

start_urls = ['http://icanhazip.com/']

# spider 爬虫解析的方法，关于内容的解析都在这里完成; self表示实例的引用， response爬虫的结果

def parse(self, response):

print('代理后的ip: ', response.text)

# 这个是main函数也是整个程序入口的惯用写法

if __name__ == '__main__':

execute(['scrapy', 'crawl', 'httpbin'])

复制代码

此时运行程序 scrapy crawl httpProxyIp 可以看到结果输出

很明显，这里没有打印出我们想要的结果，说明之前 proxyList = ['http://218.75.158.153:3128','http://188.226.141.61:8080'] (代码展示，并不是推广网址，请官方核准)没有用，我们找找有没有可以用的，这里用免费的，所以找起来费点时间 免费代理ip

这样就完成了scrapy的代理设置和验证调试。

如何配置动态的代理ip

这里使用的是收费的代理ip了，你可以使用快代理或者阿布云等云服务商提供的服务，当你注册并缴费之后，会给你一个访问url和用户名密码，这里直接看代码吧！ 同样在 middlewares.py新建一个类

修改 setting.py 的 DOWNLOADER_MIDDLEWARES 内容

DOWNLOADER_MIDDLEWARES = {

# 注释掉之前的例子改用AbuyunProxyMiddleware

# 'scrapydownloadertest.middlewares.SimpleProxyMiddleware': 100,

'scrapydownloadertest.middlewares.AbuyunProxyMiddleware': 100,

}

复制代码

其他地方不动，我们在启动看看，这里换种启动方式，因为使用的是PyCharm开发工具，所以可以直接

http://icanhazip.com/

是一个显示当前访问者ip的网站，可以很方便的用来验证scrapy的代理ip 设置是否成功。

文章到这技术了，喜欢的给小编点个关注。蟹蟹你们！