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.pyHttpProxyMiddleware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 _proxy1. 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.metaadd_proxy_meta = Falseif spider.proxy:# 使用代理if meta.get('auto_change_proxy', None) or meta.get('change_proxy', None):add_proxy_meta = Trueelif 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 = Falseif meta.get('proxy'):request.meta['_proxy'] = meta['proxy']del meta['proxy']breakif 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_proxychange_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~