Python爬虫之Scrapy框架的UA池和代理池

一 下载Scrapy的下载中间件

下载中间件（Downloader Middlewares） 位于scrapy引擎和下载器之间的一层组件。

下载中间件的作用：

（1）引擎请求传递给下载器的过程中，下载中间件可以对请求进行一系列处理。比如：设置User-Agent,设置代理等。

（2）在下载器完成将Response传递给引擎中，下载中间件可以对响应进行一系列的处理。

我们主要使用下载中间件处理请求，设置随机的代理IP，对请求设置随机的User-Agent。目的在于防止爬取网站时的反爬虫策略。

二 UA池：User-Agent

作用是：尽量将scrapy工程中的请求伪装成不同类型的浏览器身份。

步骤如下：

（1） 在下载中间件中拦截请求

（2）将拦截到的请求的请求信息中的UA进行篡改伪装

（3）在配置文件中开启下载中间件

middlewares.py中

import random

class MiddleproDownloaderMiddleware(object):
    # Not all methods need to be defined. If a method is not defined,
    # scrapy acts as if the downloader middleware does not modify the
    # passed objects.
    user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
    ]
    

#拦截所有未发生异常的请求（正常的请求）
def process_request(self, request, spider):
        print('process_request')
        # 使用UA池进行请求的UA伪装
        #请求头信息  获取到的是字典
        #这一步可有可无 因为你可以在settings中设置一个共同的User-Agent
        request.headers['User-Agent'] = random.choice(self.user_agent_list)
        print(request.headers['User-Agent'])
        return None

三 代理池

作用是：将Scrapy工程中的请求中的IP设置成不同的

步骤：（与ＵＡ池基本上是一样的）

（1）在下载中间件中拦截请求

（2） 将拦截到的请求中的IP修改成某一个代理的IP

（3）在配置文件中开启下载中间件

middlewares.py

 class MiddleproDownloaderMiddleware(object):
     #写两个列表 原因是代理IP的类型中有 http 和 https两种类型
     # 可被选用的代理IP
     PROXY_http = [
            '153.180.102.104:80',
            '195.208.131.189:56055',
        ]
     PROXY_https = [
            '120.83.49.90:9000',
            '95.189.112.214:35508',
        ]
#拦截所有的异常请求
def process_exception(self, request, exception, spider):
     #这一步是必须要用的 因为当你访问一个网站次数过多的时候  你可以使用代理IP继续爬取该网站的数据
     ## #使用代理池进行请求代理ip的设置
     # request.url 返回的是请求对象所对应的URL
     print('process_exception')
     if request.url.split(':')[0] == 'http':
         request.meta['proxy'] = random.choice(self.PROXY_http)
     else:
         request.meta['proxy'] = random.choice(self.PROXY_https)
    

在settings.py中将下载中间件打开即可

#在第55行
DOWNLOADER_MIDDLEWARES = {
   'middlePro.middlewares.MiddleproDownloaderMiddleware': 543,
}