scrapy中间件自定义

最新推荐文章于 2023-02-02 07:57:02 发布

为谁攀登

最新推荐文章于 2023-02-02 07:57:02 发布

阅读量872

点赞数

分类专栏： # 爬虫文章标签： python

本文链接：https://blog.csdn.net/shaixinxin/article/details/106978267

版权

爬虫专栏收录该内容

16 篇文章 0 订阅

订阅专栏

一、定义动态User-Agent中间件

1.1、编写中间件

在middlewares.py文件中，编写UserAgentMiddlerware中间件，可以随机动态设置User-Agent

from fake_useragent import UserAgent


# 自定义动态User-Agent中间件
class UserAgentMiddlerware:
    def process_request(self, request, spider):
        request.headers.setdefault(b'User-Agent', UserAgent().random)

1.2、配置中间件

在settings.py文件中，开启DOWNLOADER_MIDDLEWARES，里面可以配置多个中间件，数值表示优先执行顺序，值越小越优先执行

DOWNLOADER_MIDDLEWARES = {
   'csrapy02.middlewares.UserAgentMiddlerware': 300,
}

1.3、执行结果

这里我访问的http://httpbin.org/get地址，可以获取客户端请求头信息，可以看到User-Agent随机值为Mozilla/5.0 (Windows NT 6.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1467.0 Safari/537.36

{
  "args": {}, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1467.0 Safari/537.36", 
    "X-Amzn-Trace-Id": "Root=1-5ef69772-ba3abf0097859a2a24c14a4e"
  }, 
  "origin": "27.38.242.248", 
  "url": "http://httpbin.org/get"
}

二、定义动态Proxy中间件

2.1、编写中间件

在middlewares.py文件中，编写ProxyMiddlerware中间件，并定义一个获取代理ip的函数ProxyIp（ip可以从数据库或者从代理服务商那边随机获取）

# 自定义动态Proxy中间件
class ProxyMiddlerware:
    def process_request(self, request, spider):
            # request.meta['proxy']='type://uname:password@ip:port'
            request.meta['proxy']='http://' + ProxyIp.get_proxy_ip(self)


# 定义获取代理ip函数
class ProxyIp:
    def get_proxy_ip(self):
        ip = '223.241.2.139:4216'
        return ip

2.2、配置中间件

在settings.py文件DOWNLOADER_MIDDLEWARES中，新增ProxyMiddlerware中间件，并设置执行顺序优先级

DOWNLOADER_MIDDLEWARES = {
   'csrapy02.middlewares.UserAgentMiddlerware': 300,
   'csrapy02.middlewares.ProxyMiddlerware': 301,
}

2.3、执行结果

{
  "args": {}, 
  "headers": {
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", 
    "Accept-Encoding": "gzip, deflate", 
    "Accept-Language": "en", 
    "Host": "httpbin.org", 
    "User-Agent": "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1467.0 Safari/537.36", 
    "X-Amzn-Trace-Id": "Root=1-5ef69772-ba3abf0097859a2a24c14a4e"
  }, 
  "origin": "223.241.2.139", 
  "url": "http://httpbin.org/get"
}