Uso de middleware scrapy
alvo de aprendizagem:
- Método de uso de UA aleatório usando middleware em scrapy
- Método de uso de proxy ip em scrapy
- Use raspagem com selênio
1. A classificação e função de middleware scrapy
1.1 Classificação de middleware scrapy
De acordo com os diferentes locais do processo de execução de scrapy, ele é dividido em:
- Baixar middleware
- Middleware Crawler
1.2 A função de scrapy: solicitação de pré-processamento e objetos de resposta
- Substitua e processe cabeçalhos e cookies
- Use proxy ip, etc.
- Personalize o pedido,
Mas no caso de scrapy por padrão, ambos os middlewares estão no arquivo middlewares.py
O middleware do crawler é usado da mesma forma que o middleware de download e as funções são repetidas, geralmente o middleware de download é usado
2. Como usar o middleware de download:
Em seguida, modificamos e aprimoramos o rastreador de recrutamento Tencent e aprendemos como usar o middleware baixando o middleware.
Escrever um Downloader Middlewares é o mesmo que escrever um pipeline. Defina uma classe e a abra na configuração.
Método padrão de downloader Middlewares:
-
process_request (self, request, spider):
- Este método é chamado quando cada solicitação passa pelo middleware de download.
- Return None value: Se não houver retorno, None é retornado. O objeto de solicitação é passado para o downloader ou passado para outros métodos process_request de baixo peso por meio do mecanismo
- Retorne o objeto Response: não solicite mais, retorne a resposta ao mecanismo
- Retorne o objeto de solicitação: passe o objeto de solicitação para o planejador através do mecanismo, neste momento ele não passará outros métodos process_request de baixo peso
-
process_response (self, request, response, spider):
- Chamado quando o downloader conclui a solicitação http e passa a resposta ao mecanismo
- Retornar ao Resposne: o método process_response do mecanismo para o rastreador ou para outro download de middleware com peso inferior
- Retorne o objeto Request: Passe o mecanismo ao chamador para continuar a solicitação, neste momento ele não passará outros métodos process_request de baixo peso
-
Configure para habilitar middleware em settings.py, quanto menor o valor do peso, melhor execução
3. Defina o middleware de download que implementa o User-Agent aleatório
3.1 Melhorar o código em middlewares.py
import random
from Tencent.settings import USER_AGENTS_LIST # 注意导入路径,请忽视pycharm的错误提示
class UserAgentMiddleware(object):
def process_request(self, request, spider):
user_agent = random.choice(USER_AGENTS_LIST)
request.headers['User-Agent'] = user_agent
# 不写return
class CheckUA:
def process_response(self,request,response,spider):
print(request.headers['User-Agent'])
return response # 不能少!
3.2 Definido para ativar o middleware de download personalizado nas configurações, o método de configuração é o mesmo do pipeline
DOWNLOADER_MIDDLEWARES = {
'Tencent.middlewares.UserAgentMiddleware': 543, # 543是权重值
'Tencent.middlewares.CheckUA': 600, # 先执行543权重的中间件,再执行600的中间件
}
3.3 Adicionar lista UA nas configurações
USER_AGENTS_LIST = [
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
]
Execute um rastreador para observar o fenômeno
4. Uso de proxy ip
4.1 Análise de pensamento
- Local adicionado por proxy: adicione
proxy
campos em request.meta - Obtenha um ip de proxy e atribua-o a
request.meta['proxy']
- Selecione aleatoriamente o ip do proxy no pool de proxy
- O webapi do ip do proxy envia uma solicitação para obter um ip do proxy
4.2 realização concreta
IP de proxy grátis:
class ProxyMiddleware(object):
def process_request(self,request,spider):
# proxies可以在settings.py中,也可以来源于代理ip的webapi
# proxy = random.choice(proxies)
# 免费的会失效,报 111 connection refused 信息!重找一个代理ip再试
proxy = 'https://1.71.188.37:3128'
request.meta['proxy'] = proxy
return None # 可以不写return
IP de proxy cobrado:
# 人民币玩家的代码(使用abuyun提供的代理ip)
import base64
# 代理隧道验证信息 这个是在那个网站上申请的
proxyServer = 'http://proxy.abuyun.com:9010' # 收费的代理ip服务器地址,这里是abuyun
proxyUser = 用户名
proxyPass = 密码
proxyAuth = "Basic " + base64.b64encode(proxyUser + ":" + proxyPass)
class ProxyMiddleware(object):
def process_request(self, request, spider):
# 设置代理
request.meta["proxy"] = proxyServer
# 设置认证
request.headers["Proxy-Authorization"] = proxyAuth
4.3 Verifique se o ip do proxy está disponível
No caso de usar um ip do proxy, você pode manipular o uso do ip do proxy no método process_response () do middleware de download. Se o ip do proxy não puder ser usado, você pode substituir outros ips do proxy
class ProxyMiddleware(object):
......
def process_response(self, request, response, spider):
if response.status != '200':
request.dont_filter = True # 重新发送的请求对象能够再次进入队列
return requst
Abra o middleware em settings.py
5. Use selênio no middleware
Pegue o login do github como exemplo
5.1 Complete o código do rastreador
import scrapy
class Login4Spider(scrapy.Spider):
name = 'login4'
allowed_domains = ['github.com']
start_urls = ['https://github.com/1596930226'] # 直接对验证的url发送请求
def parse(self, response):
with open('check.html', 'w') as f:
f.write(response.body.decode())
5.2 Use selênio em middlewares.py
import time
from selenium import webdriver
def getCookies():
# 使用selenium模拟登陆,获取并返回cookie
username = input('输入github账号:')
password = input('输入github密码:')
options = webdriver.ChromeOptions()
options.add_argument('--headless')
options.add_argument('--disable-gpu')
driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver',
chrome_options=options)
driver.get('https://github.com/login')
time.sleep(1)
driver.find_element_by_xpath('//*[@id="login_field"]').send_keys(username)
time.sleep(1)
driver.find_element_by_xpath('//*[@id="password"]').send_keys(password)
time.sleep(1)
driver.find_element_by_xpath('//*[@id="login"]/form/div[3]/input[3]').click()
time.sleep(2)
cookies_dict = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}
driver.quit()
return cookies_dict
class LoginDownloaderMiddleware(object):
def process_request(self, request, spider):
cookies_dict = getCookies()
print(cookies_dict)
request.cookies = cookies_dict # 对请求对象的cookies属性进行替换
Depois de configurar o middleware no arquivo de configuração, a execução do rastreador pode ver o conteúdo relacionado ao selênio nas informações de log
resumo
O uso de middleware:
- Melhore o código de middleware:
-
process_request (self, request, spider):
- Este método é chamado quando cada solicitação passa pelo middleware de download.
- Return None value: Se não houver retorno, None é retornado. O objeto de solicitação é passado para o downloader ou passado para outros métodos process_request de baixo peso por meio do mecanismo
- Retorne o objeto Response: não solicite mais, retorne a resposta ao mecanismo
- Retorne o objeto de solicitação: passe o objeto de solicitação para o planejador através do mecanismo, neste momento ele não passará outros métodos process_request de baixo peso
-
process_response (self, request, response, spider):
- Chamado quando o downloader conclui a solicitação http e passa a resposta ao mecanismo
- Retornar ao Resposne: o método process_response do mecanismo para o rastreador ou para outro download de middleware com peso inferior
- Retorne o objeto Request: Passe o mecanismo ao chamador para continuar a solicitação, neste momento ele não passará outros métodos process_request de baixo peso
- É necessário habilitar o middleware em settings.pyDOWNLOADER_MIDDLEWARES
= { 'myspider.middlewares.UserAgentMiddleware': 543, }
O mecanismo é entregue ao rastreador para processamento ou ao método process_response de outro middleware de download com peso inferior
3. Objeto de solicitação de retorno: Passe o mecanismo ao chamador para continuar a solicitação, neste momento, ele não passará outros métodos process_request de peso inferior
- É necessário habilitar o middleware em settings.pyDOWNLOADER_MIDDLEWARES
= { 'myspider.middlewares.UserAgentMiddleware': 543, }
É o fim, se te ajudar, seja bem-vindo para curtir e seguir, seus curtidas são muito importantes para mim