使用HTTP代理

HTTP代理服务器可以比作客户端与Web服务器网站之间的一个信息中转站，客户端发送的HTTP请求和Web服务器返回的HTTP响应通过代理服务器转发给对方，

 

爬虫程序在爬取某些网站的时候也需要使用代理，例如

• 由于网络环境因素，直接爬取的速度太慢了，使用代理提高爬取的速度
• 某些网站读用户的访问速度进行限制，爬取过快会被封禁IP，使用代理防止被封禁
• 由于地方法律或者政治的原因，某些网站是无法直接进行访问的，使用代理可以绕过访问的限制

在scrapy中专门提供了HttpProxyMiddleware来给scrapy爬虫设置代理

　　

HttpProxyMiddleware默认就是开启的，它会在系统环境变量中搜索当前系统代理，作为scrapy爬虫使用的代理

源码解析：

　　__init__方法：

　　　 在HttpProxyMiddleware的构造器中，使用python标准库urllib中的getproxies函数在系统环境变量中搜索系统代理的相关配置（变量名格式为[格式]_proxy的变量），调用self._get_proxy方法解析代理配置信息，并将其返回结果保存到self.proxies字典中，如果没有找到任何代理配置的话，就抛出NotConfigured异常，HttpProxyMiddleware就会被放弃使用

　　_get_proxy方法：

　　　　解析代理配置信息，返回身份验证信息以及代理服务器url

　　process_request方法

　　　　处理每一个待发送的请求，为没有设置过代理的请求（meta属性不包含proxy字段的请求）调用self.set_proxy方法设置代理

　　_set_proxy方法

　　　　为一个请求设置代理，以请求的协议（HTTP或者HTTPS）作为键，从代理服务器信息字典self.proxies中选择代理，赋给request.meta的proxy字段。对于身份需要验证的代理服务器，添加HTTP头部Proxy-Authorization，他的值是在_get_proxy方法中计算得到的。

 

总结：

　　在scrapy中为一个请求设置代理就是将代理服务器的url写到request.meta['proxy']中

 

使用多个代理：

　　利用HttpProxyMiddleware为爬虫设置代理的时候，对于一种协议（HTTPShuozheHTTP）的所有请求只能使用一个代理，如果想使用多个代理，可以在构造每一个Request对象的时候，通过meta参数的proxy字段手动进行设置

import scrapy
from scrapy import Request
import json
class XiciSpider(scrapy.Spider):
name = "xici_proxy"
allowed_domains = ["www.xicidaili.com"]
def start_requests(self): #爬取http://www.xicidaili.com/nn/前3 页 foriin range(1, 4):
yield Request('http://www.xicidaili.com/nn/%s' % i)
def parse(self, response):
for sel in response.xpath('//table[@id="ip_list"]/tr[pos
# 提取代理的IP、port、scheme(http or https)
ip = sel.css('td:nth-child(2)::text').extract_first()
port = sel.css('td:nth-child(3)::text').extract_first()
scheme = sel.css('td:nth-child(6)::text').extract_first()
# 使用爬取到的代理再次发送请求到http(s)://httpbin.org/ip url = '%s://httpbin.org/ip' % scheme
proxy = '%s://%s:%s' % (scheme, ip, port)
meta = {
'proxy': proxy,
'dont_retry': True,
'download_timeout': 10,
# 以下两个字段是传递给check_available 方法的信息，方便 '_proxy_scheme': scheme,
'_proxy_ip': ip,
}
yield Request(url, callback=self.check_available, meta=meta, dont_filter=True)
def check_available(self, response): proxy_ip = response.meta['_proxy_ip']
# 判断代理是否具有隐藏IP 功能
if proxy_ip == json.loads(response.text)['origin']:
yield {
'proxy_scheme': response.meta['_proxy_scheme'], 'proxy': response.meta['proxy'],
}

 

• 在start_requests中请求网站下的前三页，用parse方法作为页面解析的函数
• 在parse方法中提取一个页面中的所有的代理服务器信息，由于这些代理未必都是可用的，所以使用采集到的代理发送请求http(s)://httpbin.org/ip验证其是否可用，用check_acailable方法作为页面的解析函数
• 要是能够执行到check_available方法，那么也就意味着response中对应的请求所使用的代理都是可用的，在check_available方法中，通过响应json字符串中的origin字段可以判断代理是否是匿名的（隐藏IP），返回匿名代理。