scrapy 代理

說明：
本文參照了官網文檔，以及stackoverflow的幾個問題

概要：
在scrapy中使用代理，有兩種使用方式

1. 使用中間件
2. 直接設置Request類的meta參數

方式一：使用中間件

要進行下面兩步操作

1. 在文件 settings.py 中激活代理中間件ProxyMiddleware
2. 在文件 middlewares.py 中實現類ProxyMiddleware

1.文件 settings.py 中:

# settings.py

DOWNLOADER_MIDDLEWARES = {
    'project_name.middlewares.ProxyMiddleware': 100,    # 注意修改 project_name
    'scrapy.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
}

說明：
數字100, 110表示中間件先被調用的次序。數字越小，越先被調用。
官網文檔：

The integer values you assign to classes in this setting determine the order in which they run: items go through from lower valued to higher valued classes. It’s customary to define these numbers in the 0-1000 range.

2.文件 middlewares.py 看起來像這樣:

代理不斷變換

• 這里利用網上API 直接get過來。（需要一個APIKEY，免費注冊一個賬號就有了。這個APIKEY是我自己的，不保證一直有效！）
• 也可以從網上現抓。
• 還可以從本地文件讀取

# middlewares.py

import requests

class ProxyMiddleware(object):

    def process_request(self, request, spider):
        APIKEY = 'f95f08afc952c034cc2ff9c5548d51be'
        url = 'https://www.proxicity.io/api/v1/{}/proxy'.format(APIKEY) # 在線API接口
        r = requests.get(url)

        request.meta['proxy'] = r.json()['curl'] # 協議://IP地址:端口（如 http://5.39.85.100:30059）
        return request

方式二：直接設置Request類的meta參數

import random

# 事先准備的代理池
proxy_pool = ['http://proxy_ip1:port', 'http://proxy_ip2:port', ..., 'http://proxy_ipn:port']


class MySpider(BaseSpider):
    name = "my_spider"
    
    allowed_domains = ["example.com"]
    
    start_urls = [
        'http://www.example.com/articals/',
    ]

    def start_requests(self):
        for url in self.start_urls:
            proxy_addr = random.choice(proxy_pool) # 隨機選一個
            yield scrapy.Request(url, callback=self.parse, meta={'proxy': proxy_addr}) # 通過meta參數添加代理
            
    
    def parse(self, response):
        # doing parse

延伸閱讀

1.閱讀官網文檔對Request類的描述，我們可以發現除了設置proxy，還可以設置method, headers, cookies, encoding等等:

class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback])

2.官網文檔對Request.meta參數可以設置的詳細列表：

• dont_redirect
• dont_retry
• handle_httpstatus_list
• handle_httpstatus_all
• dont_merge_cookies (see cookies parameter of Request constructor)
• cookiejar
• dont_cache
• redirect_urls
• bindaddress
• dont_obey_robotstxt
• download_timeout
• download_maxsize
• proxy

如隨機設置請求頭和代理：

# my_spider.py

import random

# 事先收集准備的代理池
proxy_pool = [
    'http://proxy_ip1:port', 
    'http://proxy_ip2:port',
     ..., 
    'http://proxy_ipn:port'
]

# 事先收集准備的 headers
headers_pool = [
    {'User-Agent': 'Mozzila 1.0'},
    {'User-Agent': 'Mozzila 2.0'},
    {'User-Agent': 'Mozzila 3.0'},
    {'User-Agent': 'Mozzila 4.0'},
    {'User-Agent': 'Chrome 1.0'},
    {'User-Agent': 'Chrome 2.0'},
    {'User-Agent': 'Chrome 3.0'},
    {'User-Agent': 'Chrome 4.0'},
    {'User-Agent': 'IE 1.0'},
    {'User-Agent': 'IE 2.0'},
    {'User-Agent': 'IE 3.0'},
    {'User-Agent': 'IE 4.0'},
]


class MySpider(BaseSpider):
    name = "my_spider"
    
    allowed_domains = ["example.com"]
    
    start_urls = [
        'http://www.example.com/articals/',
    ]

    def start_requests(self):
        for url in self.start_urls:
            headers = random.choice(headers_pool) # 隨機選一個headers
            proxy_addr = random.choice(proxy_pool) # 隨機選一個代理
            yield scrapy.Request(url, callback=self.parse, headers=headers, meta={'proxy': proxy_addr})
            
    
    def parse(self, response):
        # doing parse