Scrapy中间件user-agent和ip代理使用

一、定义实现随机User-Agent的下载中间件

1.在middlewares.py中完善代码
 1 import random
 2 from Tencent.settings import USER_AGENTS_LIST # 注意导入路径,请忽视pycharm的错误提示
 3 
 4 class UserAgentMiddleware(object):
 5     def process_request(self, request, spider):
 6         user_agent = random.choice(USER_AGENTS_LIST)
 7         request.headers['User-Agent'] = user_agent
 8         # 不写return
 9 
10 class CheckUA:
11     def process_response(self,request,response,spider):
12         print(request.headers['User-Agent'])
13         return response # 不能少!
2.在settings中设置开启自定义的下载中间件,设置方法同管道
1 DOWNLOADER_MIDDLEWARES = {
2    'Tencent.middlewares.UserAgentMiddleware': 543, # 543是权重值
3    'Tencent.middlewares.CheckUA': 600, # 先执行543权重的中间件,再执行600的中间件
4 }

 

3.在settings中添加UA的列表
1 USER_AGENTS_LIST = [
2     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
3     "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
4     "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
5     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
6     "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
7 ]

 

二、代理ip的使用

1.在middlewares.py中完善代码
 1 class RandomProxy(object):
 2 
 3     def process_request(self, request, spider):
 4 
 5         proxy = random.choice(PROXY_LIST)
 6         print(proxy)
 7 
 8         if 'user_passwd' in proxy:
 9             # 对账号密码进行编码,基础认证,python3中需要是bytes类型的数据才能编码
10             b64_up = base64.b64encode(proxy['user_passwd'].encode())
11 
12             # 进行代理认证
13             request.headers['Proxy-Authorization'] = 'Basic ' + b64_up.decode()
14 
15             # 设置代理
16             request.meta['proxy'] = proxy['ip_port']
17         else:
18             #设置代理
19             request.meta['proxy'] = proxy['ip_port']
2.检测代理ip是否可用

在使用了代理ip的情况下可以在下载中间件的process_response()方法中处理代理ip的使用情况,如果该代理ip不能使用可以替换其他代理ip

1 class ProxyMiddleware(object):
2     ......
3     def process_response(self, request, response, spider):
4         if response.status != '200':
5             request.dont_filter = True # 重新发送的请求对象能够再次进入队列
6             return requst
3.在settings中添加代理ip的列表
1 PROXY_LIST = [
2     {"ip_port": "139.199.121.163:16818", "user_passwd": "user:password"},#收费代理
3     # {"ip_port": "114.234.81.72:9000"} # 免费代理
4 ]

 

三. 在中间件中使用selenium

以github登陆为例

1. 完成爬虫代码
 1 import scrapy
 2 
 3 class Login4Spider(scrapy.Spider):
 4     name = 'login4'
 5     allowed_domains = ['github.com']
 6     start_urls = ['https://github.com/returnes'] # 直接对验证的url发送请求
 7 
 8     def parse(self, response):
 9         with open('check.html', 'w') as f:
10             f.write(response.body.decode())
2.在middlewares.py中使用selenium获取cookie信息
 1 import time
 2 from selenium import webdriver
 3 
 4 
 5 def getCookies():
 6     # 使用selenium模拟登陆,获取并返回cookie
 7     username = input('输入github账号:')
 8     password = input('输入github密码:')
 9     options = webdriver.ChromeOptions()
10     options.add_argument('--headless')
11     options.add_argument('--disable-gpu')
12     driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver',
13                               chrome_options=options)
14     driver.get('https://github.com/login')
15     time.sleep(1)
16     driver.find_element_by_xpath('//*[@id="login_field"]').send_keys(username)
17     time.sleep(1)
18     driver.find_element_by_xpath('//*[@id="password"]').send_keys(password)
19     time.sleep(1)
20     driver.find_element_by_xpath('//*[@id="login"]/form/div[3]/input[3]').click()
21     time.sleep(2)
22     cookies_dict = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}
23     driver.quit()
24     return cookies_dict
25 
26 class LoginDownloaderMiddleware(object):
27 
28     def process_request(self, request, spider):
29         cookies_dict = getCookies()
30         print(cookies_dict)
31         request.cookies = cookies_dict # 对请求对象的cookies属性进行替换

 

3.在middlewares.py中使用selenium获取指定页面渲染后的html源码
 1 class SelMiddleWare(object):
 2 
 3     def process_request(self, request, spider):
 4 
 5         url = request.url
 6         # 过滤需要渲染的请求对象
 7         if 'daydata' in url:
 8 
 9             driver = webdriver.Chrome()
10 
11             driver.get(url)
12             time.sleep(3)
13 
14             data = driver.page_source
15             driver.close()
16 
17             res = HtmlResponse(
18                 url=url,
19                 body=data,
20                 encoding='utf-8',
21                 request=request
22             )
23 
24             return res

 

转载于:https://www.cnblogs.com/returnes/p/10450773.html

  • 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