第1.7章 scrapy之ip代理的使用

1 代理中间件
代码核心在于随机选择一条代理的ip和port,至于代理ip和port的来源,可以是购买的ip代理,也可以从网上爬取的。

# -*- coding: utf-8 -*-
'''
Created on 2017年6月14日

@author: dzm
'''
from eie.middlewares import udf_config
from eie.service.EieIpService import EieIpService

logger = udf_config.logger
eieIpService = EieIpService()

class ProxyMiddleware(object):
    '''
    ip代理中间件
    '''
        
    def process_request(self,request,spider):
        '''
                        在请求上添加ip代理
        '''
        if request.url.startswith('http://'):
            proxy = eieIpService.select_rand('HTTP')
            if proxy:
                proxies = 'http://{}:{}'.format(proxy['ip'],proxy['port'])
            else:
                raise Exception('没有找到合适的IP代理')
        else:
            proxy = eieIpService.select_rand('HTTPS')
            if proxy:
                proxies = 'https://{}:{}'.format(proxy['ip'],proxy['port'])
            else:
                raise Exception('没有找到合适的IP代理')
        request.meta['proxy'] = proxies

2 settings配置
这里需要注意RetryMiddleware和ProxyMiddleware之间的顺序,否则会出现Python Scrapy不重试连接超时,scrapy会一致超时重连,我找遍QQ群,也没人回答我的问题。
中间件的顺序很重要,详细描述可以参考:SCRAPY中DOWNLOADER_MIDDLEWARES中间件的配置顺序

DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None,
    'eie.middlewares.random_user_agent.RandomUserAgent': 100,
    'eie.middlewares.proxy_middleware.ProxyMiddleware': 110,
    'scrapy.downloadermiddlewares.retry.RetryMiddleware':120,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 130,
}

可供参考的顺序

DOWNLOADER_MIDDLEWARES_BASE
{
    'scrapy.contrib.downloadermiddleware.robotstxt.RobotsTxtMiddleware': 100,
    'scrapy.contrib.downloadermiddleware.httpauth.HttpAuthMiddleware': 300,
    'scrapy.contrib.downloadermiddleware.downloadtimeout.DownloadTimeoutMiddleware': 350,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 400,
    'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 500,
    'scrapy.contrib.downloadermiddleware.defaultheaders.DefaultHeadersMiddleware': 550,
    'scrapy.contrib.downloadermiddleware.redirect.MetaRefreshMiddleware': 580,
    'scrapy.contrib.downloadermiddleware.httpcompression.HttpCompressionMiddleware': 590,
    'scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware': 600,
    'scrapy.contrib.downloadermiddleware.cookies.CookiesMiddleware': 700,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 750,
    'scrapy.contrib.downloadermiddleware.chunked.ChunkedTransferMiddleware': 830,
    'scrapy.contrib.downloadermiddleware.stats.DownloaderStats': 850,
    'scrapy.contrib.downloadermiddleware.httpcache.HttpCacheMiddleware': 900,
}

3 检查ip代理是否成功
从下图的response可以看出确实是采用了代理地址
1
4 代理的作用
ip代理及其作用与使用方法
使用代理IP的优缺点?
5 获取随机代理

def select_rand_zhimadaili(self):
        '''
                        从芝麻代理中获取ip代理清单
        @see: http://http.zhimadaili.com/index/api/newapi.html
        '''
        try:
            proxy_keys_list = self.redis.keys()
            if proxy_keys_list:
                key_list = range(1, len(proxy_keys_list))
                key = key_list[random.choice(key_list)]
#                 proxy_list = json.load(self.redis.get(proxy_keys_list[key]))
                strs = self.redis.get(proxy_keys_list[key])
                return eval(strs)
            else:
                socket = urllib2.urlopen('http://http.zhimadaili.com/index/api/new_get_use_ips.html?num=20&type=2&pro=0&city=0&yys=0&port=1&time=1')
                result = socket.read()
                result = json.loads(result)
                proxy_list = result['data']
                for proxy in proxy_list:
                    name = '{}:{}'.format(proxy['ip'],proxy['port'])
                    self.redis.setex(name, proxy, 600)
                socket.close()
                key_list = range(1, len(proxy_list))
                key = key_list[random.choice(key_list)]
                return proxy_list[key]
        except Exception,e:
            logger.error('请求zhimadaili.com获取代理失败,失败原因:%s' % e)

下面的方式是从数据库中随机找一条,数据库是mysql

def select_rand_db(self,types=None):
        if types:
            sql = "select ip,port,types from eie_ip where types='{}' order by rand() limit 1".format(types)
        else:
            sql = "select ip,port,types from eie_ip order by rand() limit 1 "
        df = pd.read_sql(sql,self.engine)
        results = json.loads(df.to_json(orient='records'))
        if results and len(results)==1:
            return results[0]
        return None
  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

warrah

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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