scrapy代理ip池中間件

這里記錄一個代理ip池中間件,以后再做項目的時候可以直接復用

middleware文件


# -*- coding: utf-8 -*-
# Define here the models for your spider middleware
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/spider-middleware.html

import random
from scrapy import signals



# 創建一個中間件     ip代理池
from collections import defaultdict
from scrapy.exceptions import NotConfigured

class RandomProxyMiddleware(object):

    def __init__(self, settings):
        # 第三步 初始化配置和變量
        # 在settings中寫一個 PROXIES 列表配置
        # 從settings中把代理讀進來（把環境變量讀進來）
        self.proxies = settings.getlist("PROXIES")
        self.stats = defaultdict(int)  # 默認值是0    統計次數
        self.max_failed = 3  # 請求最多不超過3次

    @classmethod
    def from_cralwer(cls, crawler):
        # 第一步 創建中間件對象
        # 首先獲取配置 HTTPPROXY_ENABLED 看看是否啟用代理，
        if not crawler.settings.getbool("HTTPPROXY_ENABLED"):  # 如果沒有啟用代理
            raise NotConfigured
        # auth_encoding = crawler.settings.get("HTTPPROXY_AUTH_ENCODING")  # 讀取配置，這里暫時不用
        # 第二步
        return cls(crawler.settings)  # cls（）實際調用的是 init()函數，如果init接受參數，cls就需要參數

    def process_request(self, request, spider):
        # 第四步 為每個request對象隨機分配一個ip代理
        # 讓這個請求使用代理                       初始url不使用代理ip
        if self.proxies and not request.meta.get("proxy") and request.url not in spider.start_urls:
            request.meta["proxy"] = random.choice(self.proxies)
　　　　　　

    def process_response(self, request, response, spider):
        # 第五步： 請求成功
        cur_proxy = request.meta.get('proxy')
        # 判斷是否被對方禁封
        if response.status > 400:
            # 給相應的ip失敗次數 +1
            self.stats[cur_proxy] += 1
            print("當前ip{}，第{}次出現錯誤狀態碼".format(cur_proxy, self.stats[cur_proxy]))
        # 當某個ip的失敗次數累計到一定數量
        if self.stats[cur_proxy] >= self.max_failed:  # 當前ip失敗超過3次
            print("當前狀態碼是{}，代理{}可能被封了".format(response.status, cur_proxy))
            # 可以認為該ip被對方封了，從代理池中刪除這個ip
            self.remove_proxy(cur_proxy)
            del request.meta['proxy']
            # 將這個請求重新給調度器，重新下載
            return request

        # 狀態碼正常的時候，正常返回
        return response

    def process_exception(self, request, exception, spider):
        # 第五步：請求失敗
        cur_proxy = request.meta.get('proxy')   # 取出當前代理
        from twisted.internet.error import ConnectionRefusedError, TimeoutError
        # 如果本次請求使用了代理，並且網絡請求報錯，認為這個ip出了問題
        if cur_proxy and isinstance(exception, (ConnectionRefusedError, TimeoutError)):
            print("當前的{}和當前的{}".format(exception, cur_proxy))
            self.remove_proxy(cur_proxy)
            del request.meta['proxy']
            # 重新下載這個請求
            return request

    def remove_proxy(self, proxy):
        if proxy in self.proxies:
            self.proxies.remove(proxy)
            print("從代理列表中刪除{}".format(proxy))

然后在settings設置一下

settings 文件

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
   'tutorial.middlewares.RandomProxyMiddleware': 749,  # 修改下載優先級數字
}

完畢