python爬虫之IP代理池

2018-10-31  本文已影响0人  做个萌男宝宝

一、首先cmd创建项目,创建爬虫文件,这里我给爬虫起的名字是ipip

scrapy startproject 项目名
scrapy genspider 爬虫名 域名

二、把setting配置一下。
robot协议关掉,USER_AGENT设置上。
三、可以现在ipip文件中写一段代码,把本地的ip先输出出来。

# -*- coding: utf-8 -*-
import scrapy


class IpipSpider(scrapy.Spider):
    name = 'ipip'
    allowed_domains = ['baidu.com']
    start_urls = ['https://www.baidu.com/s?ie=utf-8&wd=ip']

    def parse(self, response):
        with open("ip.html",'w',encoding='utf-8') as fp:
            fp.write(response.text)

四、scrapy crawl ipip 跑一下
五、去某刺爬多几个代理IP。setting中定义一个字段,表示我们收集好的代理。

IPPOOL = [
    {"ip":"113.16.160.101:8118"},
    {"ip":"119.29.119.64:8080"},
    {"ip":"202.112.237.102:3128"},
    {"ip":"119.31.210.170:7777"},
    {"ip":"183.129.207.83:10800"},
    {"ip":"183.129.207.73:14823"}
]

六、配置中间件文件

# 从setting文件导入IPPOOL
from .settings import IPPOOL
# 导入官方文档对应的HttpProxyMiddleware
from scrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware
import random

# 创建一个代理中间件类 继承第四行我们导入的那个东西
class IPPOOLS(HttpProxyMiddleware):

    def __init__(self,ip=''):
        self.ip = ip
    # 重写请求处理方法
    def process_request(self, request, spider):
        # 从ip代理池中随机挑选一个ip地址
        current_ip = random.choice(IPPOOL)
        print("当前代理ip是:",current_ip['ip'])
        # 设置情趣对象的代理服务器是当前ip
        request.meta["proxy"] = 'https://'+current_ip["ip"]

七、setting中将中间键打开并更改代码

DOWNLOADER_MIDDLEWARES = {
    "scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware":123,
   'IPPOOLTest01.middlewares.IPPOOLS': 125
}

八、scrapy crawl ipip 跑一下

上一篇下一篇

猜你喜欢

热点阅读