014-活该你爬虫被封之Scrapy Ip代理中间件

这是坚持技术写作计划（含翻译）的第14篇，定个小目标999，每周最少2篇。

背景: 房租到期了。
需求: 找到便宜，交通便利的房源，了解当前租房行情，便于砍价。

在爬取58，赶集，链家，安居客的数据时，被封是常事，基于此，fork并修改了两个库。用于抓取免费代理ip，用于支持爬取租房数据。

注意：租房网站的数据，大概率失真，仅做参考。

其中部分数据截图

本文只介绍Scrapy的ip代理中间件，不多讲如何爬取租房网站数据以及数据分析，后边可能会写。

获取代理ip

如果有付费的代理ip更好，如果没有的话，可以用我构建的docker镜像

docker run -p8765:8765 -d anjia0532/ipproxy-dockerfile
复制代码

稍等2-5分钟，访问  http://${docker ip}:8765/ ,如果有值，则抓取代理ip成功。

scrapy-proxies-tool

安装

pip install scrapy-proxies-tool
复制代码

配置

修改 Scrapy settings.py，源repo 只支持从文件读取代理ip

# 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_SETTINGS = {
  # Proxy list containing entries like
  # http://host1:port
  # http://username:password@host2:port
  # http://host3:port
  # ...
  # if PROXY_SETTINGS[from_proxies_server] = True , proxy_list is server address (ref https://github.com/qiyeboy/IPProxyPool and https://github.com/awolfly9/IPProxyTool )
  # Only support http(ref https://github.com/qiyeboy/IPProxyPool#%E5%8F%82%E6%95%B0)
  # list : ['http://localhost:8765?protocol=0'],
  'list':['/path/to/proxy/list.txt'],

  # disable proxy settings and  use real ip when all proxies are unusable
  'use_real_when_empty':False,
  'from_proxies_server':False,

  # If proxy mode is 2 uncomment this sentence :
  # 'custom_proxy': "http://host1:port",

  # 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
  'mode':0
}
复制代码

可以通过爬取 myip.ipip.net/ 来判断代理ip是否生效。

参考资料

• github.com/anjia0532/I…
• hub.docker.com/r/anjia0532…
• github.com/aivarsk/scr…
• github.com/anjia0532/s…

转载于:https://juejin.im/post/5ca35f616fb9a05e3c698677