Scrapy ip代理池

发布时间:2020-11-09 13:40:08编辑:admin阅读(136)

    一、概述

    在众多的网站防爬措施中,有一种是根据ip的访问频率进行限制,即在某一时间段内,当某个ip的访问次数达到一定的阀值时,该ip就会被拉黑、在一段时间内禁止访问。

    应对的方法有两种:

    1. 降低爬虫的爬取频率,避免IP被限制访问,缺点显而易见:会大大降低爬取的效率。

    2. 搭建一个IP代理池,使用不同的IP轮流进行爬取。

     

    环境说明

    操作系统:centos 7.6

    ip地址:192.168.31.230

    说明:运行redis和ip代理池

     

    操作系统:windows 10

    ip地址:192.168.31.230

    说明:运行Scrapy 爬虫项目

     

    二、搭建IP代理池

    介绍

    在github上,有一个现成的ip代理池项目,地址:https://github.com/jhao104/proxy_pool

    爬虫代理IP池项目,主要功能为定时采集网上发布的免费代理验证入库,定时验证入库的代理保证代理的可用性,提供API和CLI两种使用方式。同时你也可以扩展代理源以增加代理池IP的质量和数量。

     

    搭建redis

    注意:此项目运行时,依赖于redis。这里直接用docker搭建

    docker run -d --name redis -p 6380:6379 redis --requirepass 123456

    说明:

    映射端口6080,redis密码为:123456

     

    运行ip代理池

    由于ip代理池项目,在dockerhub上面有现成的镜像,直接拿来使用即可。

    启动命令示例:

    docker run --env DB_CONN=redis://:password@ip:port/db -p 5010:5010 jhao104/proxy_pool:latest

    注意:这里要根据实际情况,指定redis的连接信息。

     

    所以:根据上面的环境说明,正确的redis连接信息为:DB_CONN=redis://:123456@192.168.31.230:6380/0

    因此启动命令为:

    docker run -d --env DB_CONN=redis://:123456@192.168.31.230:6380/0 -p 5010:5010 jhao104/proxy_pool:latest

    注意:请根据实际情况,修改redis连接信息,-d表示后台运行。

     

    使用

    api

    启动web服务后, 默认配置下会开启 http://127.0.0.1:5010 的api接口服务:

    1.png

     

     

    随机获取一个代理,访问页面

    http://192.168.31.230:5010/get/

    效果如下:

    1.png

     

     其中,proxy字段,就是我们需要的代理了

    那么在爬虫项目中,获取到这个字段,就可以使用了。

     

     

    三、项目演示

    那么如何知道,我的爬虫项目,用了ip代理,去访问指定的网站呢?

    一般来说,打开:https://www.ip138.com/ 就能看到我的公网ip了。但是通过代码爬取这个页面,得到我的公网ip比较麻烦。

    有一个简单网页:http://httpbin.org/get 直接访问它,它会返回一段json数据,里面就包含了我的公网ip地址。

    1.png

     

    那么下面,我将创建一个Scrapy 项目,应用ip代理池,去访问 http://httpbin.org/get,并打印出公网ip地址。

     

    创建项目

    打开Pycharm,并打开Terminal,执行以下命令

    scrapy startproject ip_proxy
    cd ip_proxy
    scrapy genspider httpbin httpbin.org

     

    在scrapy.cfg同级目录,创建bin.py,用于启动Scrapy项目,内容如下:

    #在项目根目录下新建:bin.py
    from scrapy.cmdline import execute
    # 第三个参数是:爬虫程序名
    execute(['scrapy', 'crawl', 'blog',"--nolog"])

     

    在items.py同级目录,创建proxy_handle.py,内容如下:

    import json
    import requests
    
    def get_proxy():
        response = requests.get("http://192.168.31.230:5010/get/").text
        result = json.loads(response)
        # print(result, type(result))
        return result['proxy']
    
    def delete_proxy(proxy):
        requests.get("http://192.168.31.230:5010/delete/?proxy={}".format(proxy))

     

    创建好的项目树形目录如下:

    ./
    ├── bin.py
    ├── ip_proxy
    │   ├── __init__.py
    │   ├── items.py
    │   ├── middlewares.py
    │   ├── pipelines.py
    │   ├── proxy_handle.py
    │   ├── settings.py
    │   └── spiders
    │       ├── httpbin.py
    │       └── __init__.py
    └── scrapy.cfg

     

    修改httpbin.py

    # -*- coding: utf-8 -*-
    import scrapy
    import json
    from scrapy import Request  # 导入模块
    
    class HttpbinSpider(scrapy.Spider):
        name = 'httpbin'
        allowed_domains = ['httpbin.org']
        # start_urls = ['http://httpbin.org/']
        # 自定义配置,注意:变量名必须是custom_settings
        custom_settings = {
            'REQUEST_HEADERS': {
                'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
            }
        }
    
        def start_requests(self):
            r1 = Request(url="http://httpbin.org/get",
                         headers=self.settings.get('REQUEST_HEADERS'), )
            yield r1
    
        def parse(self, response):
            # print(response.text,type(response.text))
            result = json.loads(response.text)
            # print(result,type(result))
            origin = result['origin']
            print("公网ip: ",origin)

     

    修改middlewares.py

    这里,我主要修改下载中间件的内容

    class IpProxyDownloaderMiddleware(object):
        # Not all methods need to be defined. If a method is not defined,
        # scrapy acts as if the downloader middleware does not modify the
        # passed objects.
    
        @classmethod
        def from_crawler(cls, crawler):
            # This method is used by Scrapy to create your spiders.
            s = cls()
            crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
            return s
    
        def process_request(self, request, spider):
            """
            请求需要被下载时,经过所有下载器中间件的process_request调用
            :param request:
            :param spider:
            :return:
                None,继续后续中间件去下载;
                Response对象,停止process_request的执行,开始执行process_response
                Request对象,停止中间件的执行,将Request重新调度器
                raise IgnoreRequest异常,停止process_request的执行,开始执行process_exception
            """
            proxy = "http://" + get_proxy()
            request.meta['download_timeout'] = 10
            request.meta["proxy"] = proxy
            print('为 %s 添加代理 %s ' % (request.url, proxy))
            # print('元数据为', request.meta.get("proxy"))
    
        def process_response(self, request, response, spider):
            """
            spider处理完成,返回时调用
            :param response:
            :param result:
            :param spider:
            :return:
                Response 对象:转交给其他中间件process_response
                Request 对象:停止中间件,request会被重新调度下载
                raise IgnoreRequest 异常:调用Request.errback
            """
            print('返回状态码', response.status)
            return response
    
        def process_exception(self, request, exception, spider):
            """
            当下载处理器(download handler)或 process_request() (下载中间件)抛出异常
            :param response:
            :param exception:
            :param spider:
            :return:
                None:继续交给后续中间件处理异常;
                Response对象:停止后续process_exception方法
                Request对象:停止中间件,request将会被重新调用下载
            """
            print('代理%s,访问%s出现异常:%s' % (request.meta['proxy'], request.url, exception))
            import time
            time.sleep(5)
            delete_proxy(request.meta['proxy'].split("//")[-1])
            request.meta['proxy'] = 'http://' + get_proxy()
    
            return request
    
        def spider_opened(self, spider):
            spider.logger.info('Spider opened: %s' % spider.name)

    说明:在请求之前,从ip代理池中获取一个随机ip。当ip代理访问异常时,从ip代理池中,删除这个代理ip。

     

    修改settings.py,应用下载中间件

    DOWNLOADER_MIDDLEWARES = {
       'ip_proxy.middlewares.IpProxyDownloaderMiddleware': 543,
    }

     

    执行bin.py,启动爬虫项目,效果如下:

    1.png

     

     

    注意:每次访问一个链接时,ip地址是不一样的。


关键字