Scrapy与分布式开发：scrapy实现自定义代理中间件

scrapy实现自定义代理中间件

• 前言
• 关卡：实现自定义代理中间件
• • 代理中间件源码解析
  • 代理池
  • 自定义代理中间件
• 结束

前言

ip检测是比较常规的反爬手段，一般站点会限制ip的访问频率，或者根据ip的访问规律和频率来识别异常访问，从而点对点封ip。相信大家对代理ip并不陌生，这是ip反爬的绕过方式，且进一步衍生出代理池。
按笔者过往经验来看：

1. 站点限制ip但不会绑定其他信息，这种情况下我们只要每次请求都切换ip即可（短效ip）
2. 站点限制ip且绑定cookie等信息，可以每次切换ip时生成一次cookie；或者一个ip直接采集完（长效ip）

各站点的风控机制不同，大家以后遇到的话需要研究它的风控机制并设计突破方案，这个过程需要不断试错，控制变量并找出规律，而这种攻坚过程对逆向思维的训练是很有帮助的。

关卡：实现自定义代理中间件

代理中间件源码解析

进入scrapy->downloadermiddlewares->httpproxy.py，HttpProxyMiddleware便是原生的代理中间件，主要功能逻辑是process_request方法，我们研究它干了什么

从源码中我们可以知道配置代理的方式

1. 通过配置request.meta["proxy"]来实现代理切换，它的样式是{protocol}://{username}:{password}@{host}:{port}
2. 利用requests库的getproxies()函数，它返回当前环境变量中配置的代理设置，也就是self.proxies，在HttpProxyMiddleware初始化时实现
   

代理池

市面上有很多代理ip厂商，他们的产品有很多种，如隧道代理、短效代理等，有兴趣或者有需求的可以去咨询了解。但是这些代理商是服务众多用户的，他提供的代理池质量不一定能满足我们的需求，最好的选择就是维护一套属于自己的高质量代理池。
有兴趣可以看看这篇博客 高效代理池的维护

自定义代理中间件

笔者这里使用的是自己的代理池，通过接口拿到代理字典，需要使用时随机取值即可

{
    "status":1,
    "data":[
        {
            "host":host,
            "port":port,
            "create_time":create_time,
            "expired_time":expired_time,
            "priority":priority,
            "protocol":protocol,
            "source":"source"
        }
    ]
}

主要功能逻辑

def process_request(self, request, spider):
    """ 默认代理会一直使用，可以使用下面的参数实现动态使用
    meta auto_change_proxy change_proxy _proxy
    1. auto_change_proxy：程序自动指定代理
    2. change_proxy：更新代理（单次）
    3. _proxy：存储上一次代理
    """
    meta = request.meta
    add_proxy_meta = False

    if spider.proxy:  # 使用代理
        if meta.get('auto_change_proxy', None) or meta.get('change_proxy', None):
            add_proxy_meta = True
        elif not meta.get('proxy'):
            add_proxy_meta = True

    # 白名单处理
    if add_proxy_meta:
        for pattern in spider.custom_settings.get('whitelist_pattern', []) + \
                       meta.get('proxy_whitelist_pattern', []):
            if re.search(pattern, request.url):
                add_proxy_meta = False
                if meta.get('proxy'):
                    request.meta['_proxy'] = meta['proxy']
                    del meta['proxy']
                break

    if add_proxy_meta:
        get_suc, get_proxy = self.get_random_proxy(spider.crawler.settings.attributes['PROXY_POOL_URL'].value)
        if not get_suc:
            spider.print_log(get_proxy, log_type='error')
            # todo: 代理异常处理
        else:
            spider.print_log(f'随机代理: {get_proxy}')
            request.meta['proxy'] = get_proxy

设计逻辑如下：

1. 脚本全局增加proxy参数，集中控制代理使用与否
2. request.meta增加auto_change_proxy，change_proxy，_proxy参数来实现动态切换和固定使用
3. 增加白名单机制，对指定站点采集不使用代理
4. 日志记录与异常提醒

结束

这个关卡的设计方案是笔者根据自己业务场景实现的，大家如果有同样的需求，需要结合自己的业务场景来思考、设计与实现。
好了，分享就到这了，有啥错误的地方请指正~