实践出真知-scrapy集成ip代理(以阿布云为例)

一、前言

有个项目需要爬取证券协会，对方有ip屏蔽。所以我需要在scrapy中实现ip自动切换，才能够完成爬取任务。

在此之前，我用过第三方库scrapy-proxys加上芝麻ip的代理api接口，可能是之前代码没有调整好，导致的没有能够成功。（后面有机会再测试）。

二、阿布云范例

阿布云官方给出了python和scrapy的示例代码

python3示例

from urllib import request

# 要访问的目标页面
targetUrl = "http://test.abuyun.com/proxy.php"

# 代理服务器
proxyHost = "http-dyn.abuyun.com"
proxyPort = "9020"

# 代理隧道验证信息
proxyUser = "H01234567890123D"
proxyPass = "0123456789012345"

proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
"host" : proxyHost,
"port" : proxyPort,
"user" : proxyUser,
"pass" : proxyPass,
}

proxy_handler = request.ProxyHandler({
"http"  : proxyMeta,
"https" : proxyMeta,
})

#auth = request.HTTPBasicAuthHandler()
#opener = request.build_opener(proxy_handler, auth, request.HTTPHandler)

opener = request.build_opener(proxy_handler)

request.install_opener(opener)
resp = request.urlopen(targetUrl).read()

print (resp)

上面的是原生写法，下面提供scrapy的中间件写法

scrapy中间件

import base64

# 代理服务器
proxyServer = "http://http-dyn.abuyun.com:9020"

# 代理隧道验证信息
proxyUser = "H01234567890123D"
proxyPass = "0123456789012345"

# for Python2
proxyAuth = "Basic " + base64.b64encode(proxyUser + ":" + proxyPass)

# for Python3
#proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")

class ProxyMiddleware(object):
def process_request(self, request, spider):
request.meta["proxy"] = proxyServer

request.headers["Proxy-Authorization"] = proxyAuth

这里在scrapy项目中的Middleware里面写即可。

三、正式集成

在项目的middlewares.py中新增类：

import base64

""" 阿布云ip代理配置，包括账号密码 """
proxyServer = "http://http-dyn.abuyun.com:9020"
proxyUser = "HWFHQ5YP14Lxxx"
proxyPass = "CB8D0AD56EAxxx"
# for Python3
proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")

class ABProxyMiddleware(object):
""" 阿布云ip代理配置 """
def process_request(self, request, spider):
request.meta["proxy"] = proxyServer
request.headers["Proxy-Authorization"] = proxyAuth

然后再到settings.py中开启中间件：

DOWNLOADER_MIDDLEWARES = {

#'Securities.middlewares.SecuritiesDownloaderMiddleware': None,

'Securities.middlewares.ABProxyMiddleware': 1,
}

四、注意事项

阿布云动态ip默认是1秒钟请求5次，（可以加钱，购买多次）。所以，当他是默认5次的时候，我需要对爬虫进行限速，还是在settings.py中，空白处新增如下代码：

""" 启用限速设置 """
AUTOTHROTTLE_ENABLED = True
AUTOTHROTTLE_START_DELAY = 0.2  # 初始下载延迟
DOWNLOAD_DELAY = 0.2  # 每次请求间隔时间

当然了，如果加钱购买多次的话，可以不用考虑限速的问题。

即可完成阿布云动态代理ip在scrapy中的的集成，尽情的爬吧！