Scrapy中间件user-agent和ip代理使用
一、定义实现随机User-Agent的下载中间件
1.在middlewares.py中完善代码
- import random
- from Tencent.settings import USER_AGENTS_LIST # 注意导入路径,请忽视pycharm的错误提示
- class UserAgentMiddleware(object):
- def process_request(self, request, spider):
- user_agent = random.choice(USER_AGENTS_LIST)
- request.headers['User-Agent'] = user_agent
- # 不写return
- class CheckUA:
- def process_response(self,request,response,spider):
- print(request.headers['User-Agent'])
- return response # 不能少!
2.在settings中设置开启自定义的下载中间件,设置方法同管道
- DOWNLOADER_MIDDLEWARES = {
- 'Tencent.middlewares.UserAgentMiddleware': 543, # 543是权重值
- 'Tencent.middlewares.CheckUA': 600, # 先执行543权重的中间件,再执行600的中间件
- }
3.在settings中添加UA的列表
- USER_AGENTS_LIST = [
- "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
- "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
- "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
- "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
- "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
- ]
二、代理ip的使用
1.在middlewares.py中完善代码
- class RandomProxy(object):
- def process_request(self, request, spider):
- proxy = random.choice(PROXY_LIST)
- print(proxy)
- if 'user_passwd' in proxy:
- # 对账号密码进行编码,基础认证,python3中需要是bytes类型的数据才能编码
- b64_up = base64.b64encode(proxy['user_passwd'].encode())
- # 进行代理认证
- request.headers['Proxy-Authorization'] = 'Basic ' + b64_up.decode()
- # 设置代理
- request.meta['proxy'] = proxy['ip_port']
- else:
- #设置代理
- request.meta['proxy'] = proxy['ip_port']
2.检测代理ip是否可用
在使用了代理ip的情况下可以在下载中间件的process_response()方法中处理代理ip的使用情况,如果该代理ip不能使用可以替换其他代理ip
- class ProxyMiddleware(object):
- ......
- def process_response(self, request, response, spider):
- if response.status != '':
- request.dont_filter = True # 重新发送的请求对象能够再次进入队列
- return requst
3.在settings中添加代理ip的列表
- PROXY_LIST = [
- {"ip_port": "139.199.121.163:16818", "user_passwd": "user:password"},#收费代理
- # {"ip_port": "114.234.81.72:9000"} # 免费代理
- ]
三. 在中间件中使用selenium
以github登陆为例
1. 完成爬虫代码
- import scrapy
- class Login4Spider(scrapy.Spider):
- name = 'login4'
- allowed_domains = ['github.com']
- start_urls = ['https://github.com/returnes'] # 直接对验证的url发送请求
- def parse(self, response):
- with open('check.html', 'w') as f:
- f.write(response.body.decode())
2.在middlewares.py中使用selenium获取cookie信息
- import time
- from selenium import webdriver
- def getCookies():
- # 使用selenium模拟登陆,获取并返回cookie
- username = input('输入github账号:')
- password = input('输入github密码:')
- options = webdriver.ChromeOptions()
- options.add_argument('--headless')
- options.add_argument('--disable-gpu')
- driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver',
- chrome_options=options)
- driver.get('https://github.com/login')
- time.sleep(1)
- driver.find_element_by_xpath('//*[@id="login_field"]').send_keys(username)
- time.sleep(1)
- driver.find_element_by_xpath('//*[@id="password"]').send_keys(password)
- time.sleep(1)
- driver.find_element_by_xpath('//*[@id="login"]/form/div[3]/input[3]').click()
- time.sleep(2)
- cookies_dict = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}
- driver.quit()
- return cookies_dict
- class LoginDownloaderMiddleware(object):
- def process_request(self, request, spider):
- cookies_dict = getCookies()
- print(cookies_dict)
- request.cookies = cookies_dict # 对请求对象的cookies属性进行替换
3.在middlewares.py中使用selenium获取指定页面渲染后的html源码
- class SelMiddleWare(object):
- def process_request(self, request, spider):
- url = request.url
- # 过滤需要渲染的请求对象
- if 'daydata' in url:
- driver = webdriver.Chrome()
- driver.get(url)
- time.sleep(3)
- data = driver.page_source
- driver.close()
- res = HtmlResponse(
- url=url,
- body=data,
- encoding='utf-8',
- request=request
- )
- return res
Scrapy中间件user-agent和ip代理使用的更多相关文章
- scrapy实战9动态设置ip代理从数据库中随机获取一个可用的ip:
在目录下创建tools(python package) 在tools中创建crawl_xici_ip.py文件写入代码如下: #coding=utf-8 import requests from sc ...
- Scrapy加Redis加IP代理池实现音乐爬虫
音乐爬虫 关注公众号"轻松学编程"了解更多. 目的:爬取歌名,歌手,歌词,歌曲url. 一.创建爬虫项目 创建一个文件夹,进入文件夹,打开cmd窗口,输入: scrapy star ...
- 写一个scrapy中间件--ip代理池
middleware文件 # -*- coding: utf-8 -*- # Define here the models for your spider middleware # See docum ...
- 下载中间件--随机IP代理以及随机User_Agent
下载中间件随机IP代理以及随机User_Agent 1.在settings.py中设置开启代理功能 # 设置下载中间件 DOWNLOADER_MIDDLEWARES = { # 随机的 User-Ag ...
- Scrapy学习篇(十二)之设置随机IP代理(IPProxy)
当我们需要大量的爬取网站信息时,除了切换User-Agent之外,另外一个重要的方式就是设置IP代理,以防止我们的爬虫被拒绝,下面我们就来演示scrapy如何设置随机IPProxy. 设置随机IPPr ...
- scrapy中使用 IP 代理
在 scrapy 中使用 ip 代理需要借助中间件的功能 首先在settings 中设置好中间件,中间件优先级数字越小越先被执行 , } 然后编写中间件,拦截请求设置代理 class ProxyMid ...
- python爬虫实战(三)--------搜狗微信文章(IP代理池和用户代理池设定----scrapy)
在学习scrapy爬虫框架中,肯定会涉及到IP代理池和User-Agent池的设定,规避网站的反爬. 这两天在看一个关于搜狗微信文章爬取的视频,里面有讲到ip代理池和用户代理池,在此结合自身的所了解的 ...
- Scrapy学习-13-使用DownloaderMiddleware设置IP代理池及IP变换
设置IP代理池及IP变换方案 方案一: 使用国内免费的IP代理 http://www.xicidaili.com # 创建一个tools文件夹,新建一个py文件,用于获取代理IP和PORT from ...
- scrapy中间件中使用selenium切换ip
scrapy抓取一些需要js加载页面时一般要么是通过接口直接获取数据,要么是js加载,但是我通过selenium也可以获取动态页面 但是有个问题,容易给反爬,因为在scrapy中间件mid中使用sel ...
- scrapy中间件之下载中间件使用(网易新闻爬取)
scrapy项目中的middlewarse.py中间件 爬虫中间件:目前先不介绍 下载中间件(需要在settings.py中开启) (1)请求处理函数:process_request(self, re ...
随机推荐
- 记一次VM虚拟机Ubuntu无法联网问题
突然ubuntu获取不到ipv4地址,手动设置静态ip也ping不通本机, 在网上试了一堆的方法也不行,就怀疑是vm设置问题了.因为 作业环境我的VM需要经常性的改变桥接的网卡,所以检查了一 下这里, ...
- python-request-各方法使用及格式
Request库方法介绍 方法 说明 requests.request() 构造一个请求,支撑一下各方法的基础方法 requests.get() 获取HTML网页的主要方法,对应于HTTP的GET ...
- HashMap循环过程中删除元素发生ConcurrentModificationException的源码分析
- CentOS7服务管理
1.在/usr/lib/systemd/system目录下建立服务启动文件,文件格式:[root@Centos7 ]# cat /usr/lib/systemd/system/nginx.servic ...
- Lua 用指定字符或字符串分割输入字符串,返回包含分割结果的数组
// 用指定字符或字符串分割输入字符串,返回包含分割结果的数组 // @function [parent=#string] split // @param string input 输入字符串 // ...
- loglog 函数的使用
验证数值算法的正确性,有一个很重要的指标就是收敛阶($\tt\bf Convergent~Rate$) 当有误差估计: $$Error=\lVert u(x)-u_N(x) \rVert \simeq ...
- <!--#include virtual='head.html'-->代码复用
js限制input框只能输入数字:<input type="text" onkeyup="value=value.replace(/[^\d]/g,'')" ...
- 解决[Errno 10048]报错
最近一直很纳闷,写的python程序在自己电脑上运行得非常顺利,放到远程测试机上经常报“[Errno 10048]通常每个套接字地址(协议/网络地址/端口)“这样的错误,百度到这种是端口号冲突引起的, ...
- 使用 requests 模块
官网:http://docs.python-requests.org/en/master/ 请求方式 requests.get() requests.post() requests.put() req ...
- Vue2.0增删改查案例(Vue+Less+LocalStorage)
本人写的小程序,功能还在完善中,欢迎扫一扫提出宝贵意见! Vue+Less+LocalStorage 安装Less:npm install less less-loader --s ...