内容简介：包括 Requests 和 Scrapy 的设置方法。摘要：对于采取了比较强的反爬措施网站来说，要想顺利爬取网站数据，设置随机 User-Agent 和代理 IP 是非常有效的两个方法，继上一篇文章介绍了随机 UserAgent 的设置方法之后，本文接着介绍如何在 Requests 和 Scrapy 中设置代理 IP。上一篇文章见：
包括 Requests 和 Scrapy 的设置方法。
摘要：对于采取了比较强的反爬措施网站来说，要想顺利爬取网站数据，设置随机 User-Agent 和代理 IP 是非常有效的两个方法，继上一篇文章介绍了随机 UserAgent 的设置方法之后，本文接着介绍如何在 Requests 和 Scrapy 中设置代理 IP。
上一篇文章见：
本文的目标测试网页选择下面这个 URL，请求该网页可以返回当前的 IP 地址：
下面，我们就先来说说 Requests 中如何设置代理 IP。
Requests
▌不使用代理
首先，先来看一下不使用代理 IP 的情况：
import requests
url = 'http://icanhazip.com'
try:
response = requests.get(url) #不使用代理
print(response.status_code)
if response.status_code == 200:
print(response.text)
except requests.ConnectionError as e:
print(e.args)
运行上面的程序，会返回我们电脑本机的 IP，可以通过百度查询 IP 地址对比一下就知道了。
200 124.238.223.xxx # 后三位隐去了 [Finished in 0.8s]
▌使用代理
然后，我们测试一下使用代理后的情况。
常见的代理包括 HTTP 代理和 SOCKS5 代理，前者可以找一些免费代理 IP 进行测试，由于我电脑上使用的是 Shadowsocks，所以就介绍一下 SOCKS5 代理的设置。
首先，电脑上要安装有 Shadowsocks ，如果你还没听过或者使用过这个神器，可以参考下我之前写的篇文章：
启动该软件后默认会在 1080 端口下创建 SOCKS5 代理服务，代理为： 127.0.0.1:1080 ，然后我们在 Requests 中使用该代理，方法很简单只需要添加一项 proxies 参数即可：
proxies = [
{'http':'socks5://127.0.0.1:1080'},
{'https':'socks5://127.0.0.1:1080'}
]
proxies = random.choice(proxies)
print(proxies)
url = 'http://icanhazip.com'
try:
response = requests.get(url,proxies=proxies) #使用代理
print(response.status_code)
if response.status_code == 200:
print(response.text)
except requests.ConnectionError as e:
print(e.args)
这里，proxies 参数是字典类型，键名 'http' 表示协议类型，键值 'socks5://127.0.0.1:1080' 表示代理，这里添加了 http 和 https 两个代理，这样写是因为有些网页采用 http 协议，有的则是采用 https 协议，为了在这两类网页上都能顺利使用代理，所以一般都同时写上，当然，如果确定了某网页的请求类型，可以只写一种，比如这里我们请求的 url 使用的是 http 协议，那么使用 http 代理就可以，random 函数用来随机选择一个代理，我们来看一下结果：
{'http': 'socks5://127.0.0.1:1080'}
200
45.78.42.xxx #xxx表示隐去了部分信息
可以看到，这里随机选择了 http 协议的代理后，返回的 IP 就是我真实的 IP 代理地址，成功代理后就可以爬一些墙外的网页了。
延伸一下，假如随机选择的是 https 代理，那么返回的 IP 结果还一样么？我们尝试重复运行一下上面的程序：
{'https': 'socks5://127.0.0.1:1080'}
200
124.238.223.xxx
可以看到这次使用了 https 代理，返回的 IP 却是本机的真实 IP，也就是说代理没有起作用。
进一步地，我们将 url 改为 https 协议 'https://icanhazip.com' ，然后再尝试分别用 http 和 https 代理请求，查看一下结果：
#http 请求
{'http': 'socks5://127.0.0.1:1080'}
200
124.238.223.xxx
#https 请求
{'https': 'socks5://127.0.0.1:1080'}
200
45.78.42.xxx
可以看到，两种请求的结果和之前的刚好相反了，由于 url 采用了 https 协议，则起作用的是 https 代理，而 http 代理则不起作用了，所以显示的是本机 IP。
因此，可以得到这样的一个结论：
HTTP 代理，只代理 HTTP 网站，对于 HTTPS 的网站不起作用，也就是说，用的是本机 IP。
HTTPS 代理则同理。
▌使用付费代理
上面，我们只使用了一个代理，而在爬虫中往往需要使用多个代理，那有如何构造呢，这里主要两种方法，一种是使用免费的多个 IP，一种是使用付费的 IP 代理，免费的 IP 往往效果不好，那么可以搭建 IP 代理池，但对新手来说搞一个 IP 代理池成本太高，如果只是个人平时玩玩爬虫，完全可以考虑付费 IP，几块钱买个几小时动态 IP，多数情况下都足够爬一个网站了。
这里推荐一个付费代理「 阿布云代理 」，最近使用了一下，效果非常不错，5 块钱买了 5个小时，爬完了一个网站，所以没有必要为了省 5 块钱，而费劲地去搞 IP 代理池。
首次使用的话，可以选择购买一个小时的动态版试用下，点击生成隧道代理信息作为凭证加入到代码中。
将信息复制到官方提供的 Requests 代码中，运行来查看一下代理 IP 的效果：
import requests
# 待测试目标网页
targetUrl = "http://icanhazip.com"
def get_proxies():
# 代理服务器
proxyHost = "http-dyn.abuyun.com"
proxyPort = "9020"
# 代理隧道验证信息
proxyUser = "HS77K12Q77V4G9MD"
proxyPass = "4131FFDFCE27F104"
proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
"host" : proxyHost,
"port" : proxyPort,
"user" : proxyUser,
"pass" : proxyPass,
}
proxies = {
"http" : proxyMeta,
"https" : proxyMeta,
}
for i in range(1,6):
resp = requests.get(targetUrl, proxies=proxies)
# print(resp.status_code)
print('第%s次请求的IP为：%s'%(i,resp.text))
get_proxies()
可以看到每次请求都会使用不同的 IP，是不是很简单？比搞 IP 代理池省事多了。
以上，介绍了 Requests 中设置代理 IP 的方法，下面我们接着介绍在 Scrapy 中如何设置。
Scrapy
▌middlewares.py 中设置
这种方法需要先在 middlewares.py 中设置代理 IP 中间件：
import random
class ProxyMiddleware(object):
def __init__(self, ip):
self.ip = ip
@classmethod
def from_crawler(cls, crawler):
return cls(ip=crawler.settings.get('PROXIES'))
def process_request(self, request, spider):
ip = random.choice(self.ip)
request.meta['proxy'] = ip
logging.debug('Using Proxy:%s'%ip)
接着，需要在 settings.py 添加几个在西刺上找的代理 IP，格式如下：
PROXIES = [
'https://127.0.0.1:8112',
'https://119.101.112.176:9999',
'https://119.101.115.53:9999',
'https://119.101.117.226:9999']
然后，我们仍然以 “ http://icanhazip.com" 为目标网页，运行 Scrapy 项目重复请求 5 次，查看一下每次返回的 IP 情况：
def start_requests(self):
items = []
for i in range(1,6):
item = yield scrapy.Request(self.cate_url,callback=self.get_category)
items.append(item)
return items
def get_category(self, response):
print(response.text)
结果如下：
可以看到部分 IP 成功请求得到了相应，部分 IP 则无效请求失败，因为这几个 IP 是免费的 IP，所有失效很正常。
▌使用付费代理
接下来我们使用阿布云付费代理，继续尝试一下，在 middlewares.py 中添加下面的代码：
""" 阿布云ip代理配置，包括账号密码 """
# 阿布云scrapy 写法
import base64
proxyServer = "http://http-dyn.abuyun.com:9020"
proxyUser = "HS77K12Q77V4G9MD" # 购买后点击生成获得
proxyPass = "4131FFDFCE27F104" # 购买后点击生成获得
# for Python3
proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")
class AbuyunProxyMiddleware(object):
""" 阿布云ip代理配置 """
def process_request(self, request, spider):
request.meta["proxy"] = proxyServer
request.headers["Proxy-Authorization"] = proxyAuth
logging.debug('Using Proxy:%s'%proxyServer)
由于，在阿布云购买的是最基础的代理，即每秒 5 个请求，因为 Scrapy 默认的并发数是 16 个，所以需要对 Scrapy 请求数量进行一下限制，可以设置每个请求的延迟时间为 0.2s ，这样一秒就刚好请求 5 个，最后启用上面的代理中间件类即可：
""" 启用限速设置 """
AUTOTHROTTLE_ENABLED = True
DOWNLOAD_DELAY = 0.2 # 每次请求间隔时间
DOWNLOADER_MIDDLEWARES = {
#'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, #启用随机UA
#'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 100, #启用随机UA
'wandoujia.middlewares.AbuyunProxyMiddleware': 200, # 启用阿布云代理
#value值越小优先级越高
}
然后同样地请求 5 次，查看每次请求返回的 IP ：
可以看到，每个 IP 都顺利请求成功了，所以说付费地效果还是好。
▌使用 scrapy-proxies 库代理
除了上述两种方法，我们还可以使用 GitHub 上的一个 IP 代理库： scrapy-proxies ，库的使用方法很简单， 三个步骤就可以开启代理 IP。
首先，运行下面命令安装好这个库：
pip install scrapy_proxies
然后，在 Scrapy 项目中的 settings.py 文件中，添加下面一段代码：
RETRY_TIMES = 3 # 自定义请求失败重试次数
#重试的包含的错误请求代码
RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
'scrapy_proxies.RandomProxy': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
PROXY_LIST = r'/proxies.txt' # proxy 代理文件存放位置，此处为程序所在磁盘根目录下
PROXY_MODE = 0 # 每次请求都使用不同的代理
最后，需要提供多个代理 IP，我们在西刺上随便找几个 IP，然后存放在 PROXY_LIST 指定的 txt 文件中即可，格式如下：
https://119.101.112.176:9999 https://119.101.115.53:9999 https://119.101.117.53:999
然后重复之前的操作，查看代理 IP 的设置效果。
我在使用该库的过程中，发现有一些问题，不知道是配置不对还是怎么回事，效果不是太好，所以推荐使用前两种方法。
好，以上就是在 Requests 和 Scrapy 中使用代理 IP 的方法总结，如果爬虫项目不大、追求稳定且不差钱的话，建议直接上付费代理。
本文完。
推荐阅读：
参考：
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
