在我们平时使用爬虫程序采集数据时,经常会遇到因采集速度过快导致自己的IP地址被目标网站封禁,有时候会封几分钟,有时候是封一天。这不仅会导致局域网内其他人也无法访问目标网站,还会阻碍我们的数据采集。为了保证正常采集数据且本地IP不被封禁,我们一般会使用代理IP。
代理IP
爬虫最好用高匿代理,高匿名代理不改变客户机的请求,这样在服务器看来就像有个真正的客户浏览器在访问它,这时客户的真实IP是隐藏的,服务器端不会认为我们使用了代理。我们爬虫程序一般使用的是神龙HTTP代理IP,质量稳定可用率高。
Scrapy使用代理爬取网站
requests库使用代理IP
# 准备好的代理ip
proxy = "127.0.0.1:8000"
proxies = {
"https": "https://{0}".format(proxy),
"http": "http://{0}".format(proxy),
}
res = requests.get(url, proxies=proxies)
以上代码片段是最简单的requests库实现代理IP执行get请求。
线上爬虫使用代理IP方案
目前爬虫使用代理的方法很多,这里我简单说说我在线上环境使用代理的心得。
首先,我自己维护了一个代理IP池,这个IP池是放在redis中的,也就是说我的所有可使用的代理IP是放在redis中,使用redis的set数据结构。
scrapy使用代理IP
class RandomProxyMiddleware(object):
def __init__(self):
settings = get_project_settings()
self.PROXY_REDIS_HOST = settings.get(PROXY_REDIS_HOST)
self.PROXY_REDIS_PORT = settings.get(PROXY_REDIS_PORT)
self.PROXY_REDIS_PARAMS = settings.get(PROXY_REDIS_PARAMS)
self.PROXY_REDIS_KEY = settings.get(PROXY_REDIS_KEY)
self.pool = redis.ConnectionPool(host=self.PROXY_REDIS_HOST,
port=self.PROXY_REDIS_PORT,
db=self.PROXY_REDIS_PARAMS[db],
password=self.PROXY_REDIS_PARAMS[password])
self.conn = redis.StrictRedis(connection_pool=self.pool)
def process_request(self, request, spider):
proxy = self.conn.srandmember(self.PROXY_REDIS_KEY)
proxy = proxy.decode(utf-8)
proxy = json.loads(proxy)
ip = proxy[proxy]
request.meta[proxy] = "https://%s" % ip
上面代码片段自定义一个代理中间件RandomProxyMiddleware,在scrapyprocess_request(self, request, spider)这个方法中使用redis的操作随机获取一个代理出来,加到request.meta[proxy]中,便完成了代理中间件的编写。随后把RandomProxyMiddleware加到setting文件中,
DOWNLOADER_MIDDLEWARES = {
crawl_spider.middlewares.RandomProxyMiddleware: 400,
}
便可完成scrapy增加代理的需求。