在学习scrapy爬虫框架中，肯定会涉及到IP代理池和User-Agent池的设定，规避网站的反爬。
这两天在看一个关于搜狗微信文章爬取的视频，里面有讲到ip代理池和用户代理池，在此结合自身的所了解的知识，做一下总结笔记，方便以后借鉴。
笔记
一.反爬虫机制处理思路：
- 浏览器伪装、用户代理池；
- IP限制--------IP代理池；
- ajax、js异步-------抓包；
- 验证码-------打码平台。
二.散点知识：
- def process_request(): #处理请求
request.meta["proxy"]=.... #添加代理ip
- scrapy中如果请求2次就会放弃，说明该代理ip不行。
实战操作
相关代码已经调试成功----2017-4-4
目标网址：http://weixin.sogou.com/weixin?type=2&query=python&ie=utf8
实现：关于python文章的抓取，抓取标题、标题链接、描述。如下图所示。
数据：数据我就没有保存，此实战主要是为了学习IP和用户代理池的设定，推荐一个开源项目关于搜狗微信公众号：基于搜狗微信的公众号文章爬虫
图1
在这里贴出设置IP和用户代理池的代码，完整代码请移步我的github：https://github.com/pujinxiao/weixin
1.middlewares.py主要代码
1 # -*- coding: utf-8 -*-
2 import random
3 from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware #代理ip，这是固定的导入
4 from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware #代理UA，固定导入
5 class IPPOOLS(HttpProxyMiddleware):
6 def __init__(self,ip=''):
7 '''初始化'''
8 self.ip=ip
9 def process_request(self, request, spider):
10 '''使用代理ip，随机选用'''
11 ip=random.choice(self.ip_pools) #随机选择一个ip
12 print '当前使用的IP是'+ip['ip']
13 try:
14 request.meta["proxy"]="http://"+ip['ip']
15 except Exception,e:
16 print e
17 pass
18 ip_pools=[
19 {'ip': '124.65.238.166:80'},
20 # {'ip':''},
21 ]
22 class UAPOOLS(UserAgentMiddleware):
23 def __init__(self,user_agent=''):
24 self.user_agent=user_agent
25 def process_request(self, request, spider):
26 '''使用代理UA，随机选用'''
27 ua=random.choice(self.user_agent_pools)
28 print '当前使用的user-agent是'+ua
29 try:
30 request.headers.setdefault('User-Agent',ua)
31 except Exception,e:
32 print e
33 pass
34 user_agent_pools=[
35 'Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3',
36 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3',
37 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36',
38 ]
2.setting.py主要代码
1 DOWNLOADER_MIDDLEWARES = {
2 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,
3 'weixin.middlewares.IPPOOLS':124,
4 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware' : 125,
5 'weixin.middlewares.UAPOOLS':126
6 }
作者：今孝
出处：http://www.cnblogs.com/jinxiao-pu/p/6665180.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。