标签：set 自己的 head 2.0 生成 verify class htm 部分
在使用爬虫的时候，有时候会看到由于目标计算机积极拒绝，无法连接...，这就是因为我们的爬虫被识别出来了，而这种反爬虫主要是通过IP识别的，针对这种反爬虫，我们可以搭建一个自己的IP代理池，然后用这些IP去访问网站。
新建一个proxies.py，实现我们自己的代理池，主要模块有获取模块、验证模块和存储模块。
（1）获取模块：爬取网上的免费代理，这一部分我就写了个爬取西刺代理的代码，除了获取网上的代理，还要对代理池中代理进行清洗，因为有些代理会失效；
（2）验证模块：验证我们的代理是否可用，如果不可用就舍弃掉；
（3）存储模块：这一部分写得很简单，就是把可用的代理存储到proxies.txt中。
具体代码如下：
1 import requests 2 import re 3 4 5 class Proxies: 6 def __init__(self): 7 self.proxy_list = [] 8 self.headers = { 9 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " 10 "Chrome/45.0.2454.101 Safari/537.36", 11 ‘Accept-Encoding‘: ‘gzip, deflate, sdch‘, 12 } 13 14 # 爬取西刺代理的国内高匿代理 15 def get_proxy_nn(self): 16 proxy_list = [] 17 res = requests.get("http://www.xicidaili.com/nn", headers=self.headers) 18 ip_list = re.findall(‘<td>(\d+\.\d+\.\d+\.\d+)</td>‘, res.text) 19 port_list = re.findall(‘<td>(\d+)</td>‘, res.text) 20 for ip, port in zip(ip_list, port_list): 21 proxy_list.append(ip + ":" + port) 22 return proxy_list 23 24 # 验证代理是否能用 25 def verify_proxy(self, proxy_list): 26 for proxy in proxy_list: 27 proxies = { 28 "http": proxy 29 } 30 try: 31 if requests.get(‘http://www.baidu.com‘, proxies=proxies, timeout=2).status_code == 200: 32 print(‘success %s‘ % proxy) 33 if proxy not in self.proxy_list: 34 self.proxy_list.append(proxy) 35 except: 36 print(‘fail %s‘ % proxy) 37 38 # 保存到proxies.txt里 39 def save_proxy(self): 40 # 验证代理池中的IP是否可用 41 print("开始清洗代理池...") 42 with open("proxies.txt", ‘r‘, encoding="utf-8") as f: 43 txt = f.read() 44 # 判断代理池是否为空 45 if txt != ‘‘: 46 self.verify_proxy(txt.strip().split(‘\n‘)) 47 else: 48 print("代理池为空！\n") 49 print("开始存入代理池...") 50 # 把可用的代理添加到代理池中 51 with open("proxies.txt", ‘w‘, encoding="utf-8") as f: 52 for proxy in self.proxy_list: 53 f.write(proxy + "\n") 54 55 56 if __name__ == ‘__main__‘: 57 p = Proxies() 58 results = p.get_proxy_nn() 59 print("爬取到的代理数量", len(results)) 60 print("开始验证：") 61 p.verify_proxy(results) 62 print("验证完毕：") 63 print("可用代理数量：", len(p.proxy_list)) 64 p.save_proxy()
运行完后会自动生成一个proxies.txt（如果没有proxies.txt这个文件），打开后可以看到一些可用的代理：
但是这样只是搭建好了我们的代理池，要想使用的话，还要在middleware.py中添加一个类来使用我们的代理IP：
1 class NovelProxyMiddleWare(object): 2 def process_request(self, request, spider): 3 proxy = self.get_random_proxy() 4 print("Request proxy is {}".format(proxy)) 5 request.meta["proxy"] = "http://" + proxy 6 7 def get_random_proxy(self): 8 import random 9 with open(proxies.txt的绝对路径, ‘r‘, encoding="utf-8") as f: 10 txt = f.read() 11 return random.choice(txt.split(‘\n‘))
然后还要修改settings.py中的代码：
1 DOWNLOADER_MIDDLEWARES = { 2 ‘Novels.middlewares.NovelProxyMiddleWare‘: 543, 3 }
进行完上述步骤后就能在我们的爬虫中使用代理IP了，如果还想在Scrapy中使用随机User-Agent的话，可以接着往下看。
首先是在middleware.py中添加如下代码：
1 class NovelUserAgentMiddleWare(object): 2 def __init__(self): 3 self.user_agent_list = [ 4 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" 5 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", 6 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", 7 "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", 8 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", 9 "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", 10 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 11 "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 12 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 13 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 14 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 15 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 16 "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 17 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", 18 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", 19 ] 20 21 def process_request(self, request, spider): 22 ua = random.choice(self.user_agent_list) 23 print(‘User-Agent:‘ + ua) 24 request.headers.setdefault(‘User-Agent‘, ua)
然后修改settings.py中的内容：
1 DOWNLOADER_MIDDLEWARES = { 2 ‘Novels.middlewares.NovelUserAgentMiddleWare‘: 544, 3 ‘Novels.middlewares.NovelProxyMiddleWare‘: 543, 4 }
这样我们就能在Scrapy中使用代理IP和随机User-Agent了。当然了，由于使用的是免费代理，很可能短时间内就会失效了，可以考虑使用付费代理，效果会好很多。
【Python3爬虫】Scrapy使用IP代理池和随机User-Agent
标签：set 自己的 head 2.0 生成 verify class htm 部分
原文地址：https://www.cnblogs.com/TM0831/p/9916757.html
