在Scrapy中实现随机UA,代理IP,出错重试

在这篇文章中,我们使用Scrapy中的下载中间件来实现标题里的三个功能

注意所有的下载中间件都需要在settings.py中启用:

DOWNLOADER_MIDDLEWARES = {
    '项目名称.middlewares.下载中间件类名': 启动优先级(数字),
}

默认的启动优先级见:downloader-middlewares-base

随机UA

Scrapy文档 - UserAgentMiddleware
参考 - Scrapy设置代理Proxy
实现:

from fake_useragent import UserAgent


class RandomUAMiddleware(object):
    def __init__(self):
        self.user_agent = UserAgent().random

    def process_request(self, request, spider):
        request.headers['User-Agent'] = self.user_agent

测试:

    def start_requests(self):
        yield scrapy.Request(url='https://httpbin.org/get', callback=self.parse)

    def parse(self, response):
        # from scrapy.shell import inspect_response
        # inspect_response(response, self)
        from scrapy.selector import Selector
        s = Selector(text=response.text)
        ua = s.re(r'"User-Agent": "(.*)"')
        self.logger.error("UA", ua)

代理IP

Scrapy文档 - HttpProxyMiddleware

实现:

class ProxyMiddleware(object):

    def process_request(self, request, spider):
        proxy = requests.get(URL).text  # URL是自建代理池的web接口
        request.meta["proxy"] = proxy

测试:

    def start_requests(self):
        yield scrapy.Request(url='https://httpbin.org/get', callback=self.parse)

    def parse(self, response):
        # from scrapy.shell import inspect_response
        # inspect_response(response, self)
        from scrapy.selector import Selector
        s = Selector(text=response.text)
        origin = s.re(r'"origin": "(.*)"')
        self.logger.error("origin", origin)

出错重试与代理切换

Scrapy文档 - DownloadTimeoutMiddleware
Scrapy文档 - RetryMiddleware

转载于:https://www.cnblogs.com/lokvahkoor/p/10965821.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值