scrapy 学习总结

本文介绍了使用scrapy入门爬虫的步骤,包括新建项目、初始化爬虫实例和运行爬虫。重点讲解了scrapy中间件中的下载中间件,特别是如何利用ip代理池解决IP限制问题。通过安装scrapy_proxies库并配置中间件,实现在爬虫过程中自动切换IP进行爬取。
摘要由CSDN通过智能技术生成

scrapy入门

创建scrapy爬虫

1.新建项目
scrapy startproject xx
2.初始化爬虫实例
scrapy genspider xx "xxxx.com"
3.运行爬虫
scrapy crawl xx

scrapy 中间件

下载中间件 (DOWNLOADER_MIDDLEWARES)
DOWNLOADER_MIDDLEWARES = {
   'opticsjournalSpider.middlewares.RandomUserAgentMiddleware':10,
   'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
    'scrapy_proxies.RandomProxy': 100,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
ip代理池

当爬虫时遇到ip限制可以采用ip代理池的方式进行爬取,因为当scrapy发送请求(REQUEST)和接收响应(RESPONSE)时都会经过中间件,所以在中间件对其进行设置,就能够自动的按照自己配置好的ip去进行爬虫。
今天我使用的ip代理方法是通过scrapy_proxies来实现的。以下是其使用方法:
安装:pip install scrapy_proxies
安装完成之后,通过设置scrapy实例目录下的setting.py文件进行配置
配置方法如下:

# 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"

scrapy_proxies github地址:https://github.com/aivarsk/scrapy-proxies

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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