【Python3爬蟲】Scrapy使用IP代理池和隨機User-Agent
阿新 • • 發佈:2018-11-07
findall 4.3 sdch 5.0 agen and 由於 付費 status
在使用爬蟲的時候,有時候會看到由於目標計算機積極拒絕,無法連接...,這就是因為我們的爬蟲被識別出來了,而這種反爬蟲主要是通過IP識別的,針對這種反爬蟲,我們可以搭建一個自己的IP代理池,然後用這些IP去訪問網站。
新建一個proxies.py,實現我們自己的代理池,主要模塊有獲取模塊、驗證模塊和存儲模塊。
(1)獲取模塊:爬取網上的免費代理,這一部分我就寫了個爬取西刺代理的代碼,除了獲取網上的代理,還要對代理池中代理進行清洗,因為有些代理會失效;
(2)驗證模塊:驗證我們的代理是否可用,如果不可用就舍棄掉;
(3)存儲模塊:這一部分寫得很簡單,就是把可用的代理存儲到proxies.txt中。
具體代碼如下:
1 import requests 2 import re 3 4 5 class Proxies: 6 def __init__(self): 7 self.proxy_list = [] 8 self.headers = { 9 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " 10 "Chrome/45.0.2454.101 Safari/537.36", 11 ‘Accept-Encoding‘: ‘gzip, deflate, sdch‘, 12 } 13 14 # 爬取西刺代理的國內高匿代理 15 def get_proxy_nn(self): 16 proxy_list = [] 17 res = requests.get("http://www.xicidaili.com/nn", headers=self.headers) 18 ip_list = re.findall(‘<td>(\d+\.\d+\.\d+\.\d+)</td>‘, res.text) 19 port_list = re.findall(‘<td>(\d+)</td>‘, res.text) 20 for ip, port in zip(ip_list, port_list): 21 proxy_list.append(ip + ":" + port) 22 return proxy_list 23 24 # 驗證代理是否能用 25 def verify_proxy(self, proxy_list): 26 for proxy in proxy_list: 27 proxies = { 28 "http": proxy 29 } 30 try: 31 if requests.get(‘http://www.baidu.com‘, proxies=proxies, timeout=2).status_code == 200: 32 print(‘success %s‘ % proxy) 33 if proxy not in self.proxy_list: 34 self.proxy_list.append(proxy) 35 except: 36 print(‘fail %s‘ % proxy) 37 38 # 保存到proxies.txt裏 39 def save_proxy(self): 40 # 驗證代理池中的IP是否可用 41 print("開始清洗代理池...") 42 with open("proxies.txt", ‘r‘, encoding="utf-8") as f: 43 txt = f.read() 44 # 判斷代理池是否為空 45 if txt != ‘‘: 46 self.verify_proxy(txt.strip().split(‘\n‘)) 47 else: 48 print("代理池為空!\n") 49 print("開始存入代理池...") 50 # 把可用的代理添加到代理池中 51 with open("proxies.txt", ‘w‘, encoding="utf-8") as f: 52 for proxy in self.proxy_list: 53 f.write(proxy + "\n") 54 55 56 if __name__ == ‘__main__‘: 57 p = Proxies() 58 results = p.get_proxy_nn() 59 print("爬取到的代理數量", len(results)) 60 print("開始驗證:") 61 p.verify_proxy(results) 62 print("驗證完畢:") 63 print("可用代理數量:", len(p.proxy_list)) 64 p.save_proxy()
運行完後會自動生成一個proxies.txt(如果沒有proxies.txt這個文件),打開後可以看到一些可用的代理:
但是這樣只是搭建好了我們的代理池,要想使用的話,還要在middleware.py中添加一個類來使用我們的代理IP:
1 class NovelProxyMiddleWare(object): 2 def process_request(self, request, spider): 3 proxy = self.get_random_proxy() 4 print("Request proxy is {}".format(proxy)) 5 request.meta["proxy"] = "http://" + proxy 6 7 def get_random_proxy(self): 8 import random 9 with open(proxies.txt的絕對路徑, ‘r‘, encoding="utf-8") as f: 10 txt = f.read() 11 return random.choice(txt.split(‘\n‘))
然後還要修改settings.py中的代碼:
1 DOWNLOADER_MIDDLEWARES = { 2 ‘Novels.middlewares.NovelProxyMiddleWare‘: 543, 3 }
進行完上述步驟後就能在我們的爬蟲中使用代理IP了,如果還想在Scrapy中使用隨機User-Agent的話,可以接著往下看。
首先是在middleware.py中添加如下代碼:
1 class NovelUserAgentMiddleWare(object): 2 def __init__(self): 3 self.user_agent_list = [ 4 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" 5 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", 6 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", 7 "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", 8 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", 9 "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", 10 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 11 "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 12 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 13 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 14 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 15 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 16 "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 17 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", 18 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", 19 ] 20 21 def process_request(self, request, spider): 22 ua = random.choice(self.user_agent_list) 23 print(‘User-Agent:‘ + ua) 24 request.headers.setdefault(‘User-Agent‘, ua)
然後修改settings.py中的內容:
1 DOWNLOADER_MIDDLEWARES = { 2 ‘Novels.middlewares.NovelUserAgentMiddleWare‘: 544, 3 ‘Novels.middlewares.NovelProxyMiddleWare‘: 543, 4 }
這樣我們就能在Scrapy中使用代理IP和隨機User-Agent了。當然了,由於使用的是免費代理,很可能短時間內就會失效了,可以考慮使用付費代理,效果會好很多。
【Python3爬蟲】Scrapy使用IP代理池和隨機User-Agent