Scrapy如何使用代理池

Question

我正在使用 Scrapy 并尝试通过创建自定义 DownloaderMiddleware 来使用代理池。我遇到了一些麻烦，想在这里得到一些帮助（我看了Scrapy网站上的文档，但是没有代码示例）

我的python代码是：

import random

class ProxyRotator(object):
    proxy_pool = ['ip1...', 'ip2...', 'ip3...']

    def process_request(self, request, spider):
        request.meta['proxy'] = "http://" + self.proxy_pool[random.randint(0, len(self.proxy_pool) - 1)] + ":80"
        return request

并且在 settings.py 中，我添加了

 DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
    'pricecheck_crawler.ProxyMiddleware.ProxyRotator': 100,
 }

目前，抓取工具未从网站获取任何信息。日志显示：

2016-02-17 11:27:50 [scrapy] 信息：抓取 0 页（在 0 pages/min），抓取 0 个项目（在 0 items/min）

2016-02-17 11:27:50 [scrapy] 调试：Telnet 控制台侦听 127.0.0.1:6051

2016-02-17 11:28:50 [scrapy] 信息：抓取 0 页（在 0 pages/min），抓取 0 个项目（在 0 items/min）

2016-02-17 11:29:50 [scrapy] 信息：抓取 0 页（在 0 pages/min），抓取 0 个项目（在 0 items/min）

Answer 1

试试这个。删除 return request 语句，因为它将 return 请求返回到 process_request 并且 process_response 将永远不会被调用。在此之前确保您只使用 http 或 https 代理：

def process_request(self, request, spider):
    request.meta['proxy'] = self.proxy_pool[random.randint(0, len(self.proxy_pool) - 1)]

您也可以将设置更改为如下内容：

'pricecheck_crawler.ProxyMiddleware.ProxyRotator': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110

同时验证 request.meta['proxy'] = "http://ip:port".

Answer 2

另一个方向可能是使用外部程序，例如 proxifier，以便通过代理传输带宽。

Answer 3

您可以使用Scrapy_proxy_pool

只需在 settings.py

中添加您当前的代码

PROXY_POOL_ENABLED = True

Scrapy如何使用代理池

Scrapy how to use a proxy pool

python

web-crawler

scrapy

web-scraping