Scrapy 爬取旅游景点相关数据（八）重用代理

本期学习：代理的使用与代理池的更新

1 代理IP提取

在Scrapy 爬取旅游景点相关数据（六）已经讲到了代理的使用，可以先学习这一期再来看本期内容，

第一步是代理IP提取，下面代码就是在中间件初始化的时候去更新代理池，后面这个2是一次更新的代理服务器的数量，可以看到，代理池是一个列表：

 class ProxyMiddleware:
    def __init__(self):
        self.proxies = []  #代理池
        self.user = '***'
        self.passw = '***'
        self.update_proxies()  #初始化的时候更新代理池
        self.logger = logging.getLogger(__name__)

    def update_proxies(self):
        self.proxies = get_proxy(self.user, 2)  #这个方法要根据你使用的代理服务自己定制

2 代理使用

使用方式很简单，就是在process_request里加到request.meta里面，注意到，这边先判断了代理池是否是空的，如果是空的，也会触发更新代理池的操作。

    def process_request(self, request, spider):
        if not self.proxies:
            self.update_proxies()
        proxy = random.choice(self.proxies)
        # print(f"目前使用的代理是:http://{proxy}")
        request.meta['proxy'] = f"http://{self.user}:{self.passw}@{proxy}"
        user_agent_list = [
           ....
        ]
        request.headers['User-Agent'] = random.choice(user_agent_list)

3 异常处理

代理服务器可能存在问题，比如生命期过了，或者被目标网站禁掉了，所以必须要增加异常处理机制，这边特别要说的是这个 TunnelError ，我使用的代理在服务器过期的情况下会抛这个异常，所以异常处理里面需要处理的异常要根据自己的实际情况来写写，下面代码只是给一个参考：

 # 如果请求过程中发生异常（如网络错误或连接错误），process_exception 方法被调用。
    def process_exception(self, request, exception, spider):
        self.logger.error(f'请求过程中发生异常{type(exception).__name__}' )
        if isinstance(exception, (MaxRetryError, ConnectionError, TunnelError,
                                  ConnectionRefusedError, ResponseNeverReceived)):
            self.logger.warning('出现连接异常，清除代理..')
            self.logger.warning(request.meta.get('proxy'))
            self.remove_proxy(request.meta.get('proxy'))
            return self.retry_request(request)
        return request
        
        
  # 是否要根据异常删除代理池中的代理，也请根据实际测试下来的结果加以修改
   def remove_proxy(self, proxy):
        ip_port = proxy.replace("http://", "")
        self.logger.warning(f'删除代理: {ip_port}')
        self.logger.info(self.proxies)
        self.proxies = [p for p in self.proxies if f"{p}" != ip_port]
        self.logger.info(self.proxies)
        
  # 重试
  def retry_request(self, request):
        if not self.proxies:
            self.update_proxies()
        proxy = random.choice(self.proxies)
        self.logger.info(f"重试，目前使用的代理是: http://{proxy}")
        self.logger.info(self.proxies)

        request.meta['proxy'] = f"http://{self.user}:{self.passw}@{proxy}"
        user_agent_list = [
            ...
        ]
        request.headers['User-Agent'] = random.choice(user_agent_list)

        return request

remove_proxy 会删除指定的代理地址

retry_request 会重发请求

4 测试

小结

开发爬虫是一个非常考验耐心和细心的工作，需要投入大量时间研究，如果对其他内容感兴趣可以去我的专栏，里面还有其他【项目实战】文章。