Python爬虫Scrapy框架IP代理的配置与调试

在调试爬虫的时候，新手都会遇到关于ip的错误，好好的程序突然报错了，怎么解决，关于ip访问的错误其实很好解决，但是怎么知道解决好了呢？怎么确定是代理ip的问题呢？由于笔者主修语言是Java，所以有些解释可能和Python大佬们的解释不一样，因为我是从Java 的角度看Python。这样也便于Java开发人员阅读理解。

代理ip的逻辑在哪里

一个scrapy 的项目结构是这样的

scrapydownloadertest  # 项目文件夹│  items.py       # 定义爬取结果存储的数据结构│  middlewares.py  # 中间件（可以理解java的过滤器拦截器）│  pipelines.py   # 数据管道，对获取到的数据做操作│  settings.py   # 项目的配置文件│  __init__.py   # 初始化逻辑│├─spiders  # 放置 Spiders 的文件夹│  │  httpProxyIp.py   # 爬取到结果后的处理类│  │  __init__.py    # spider初始化逻辑
scrapy.py
复制代码

从上图可以发现，代理ip的设置肯定是在发送请求之前就要设置好，那么唯一符合条件的地方就是 middlewares.py ，所以关于代理的相关逻辑都写在这个里面。直接在其中添加如下代码：

# Scrapy 内置的 Downloader Middleware 为 Scrapy 供了基础的功能，
# 定义一个类，其中（object）可以不写，效果一样
class SimpleProxyMiddleware(object):# 声明一个数组proxyList = ['http://218.75.158.153:3128','http://188.226.141.61:8080']# Downloader Middleware的核心方法，只有实现了其中一个或多个方法才算自定义了一个Downloader Middlewaredef process_request(self, request, spider):# 随机从其中选择一个，并去除左右两边空格proxy = random.choice(self.proxyList).strip()# 打印结果出来观察print("this is request ip:" + proxy)# 设置request的proxy属性的内容为代理iprequest.meta['proxy'] = proxy# Downloader Middleware的核心方法，只有实现了其中一个或多个方法才算自定义了一个Downloader Middlewaredef process_response(self, request, response, spider):# 请求失败不等于200if response.status != 200:# 重新选择一个代理ipproxy = random.choice(self.proxyList).strip()print("this is response ip:" + proxy)# 设置新的代理ip内容request.mete['proxy'] = proxyreturn requestreturn response复制代码

每个 Downloader Middleware 定义了一个或多个方法的类，核心的方法有如下三个：

process_request(request, spider)
process_response(request，response, spider)
process_exception(request, exception, spider)

然后找到 setting.py 文件中的这块区域

修改如下，也就是取消注释，加上刚刚写的Middleware 类的路径

以上就已经配置好了一个简单的代理ip，此时来到 httpProxyIp.py 这个文件，这个文件是我通过命令 scrapy genspider httpProxyIp icanhazip.com 生成的，创建成功内容如下：

# -*- coding: utf-8 -*-
import scrapyclass HttpproxyipSpider(scrapy.Spider):name = 'httpProxyIp'allowed_domains = ['icanhazip.com']start_urls = ['http://icanhazip.com/']def parse(self, response):pass
复制代码

我们修改一下，最终代码如下所示：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.cmdline import executeclass HttpproxyipSpider(scrapy.Spider):# spider 任务名name = 'httpProxyIp'# 允许访问的域名allowed_domains = ['icanhazip.com']# 起始爬取的urlstart_urls = ['http://icanhazip.com/']# spider 爬虫解析的方法，关于内容的解析都在这里完成; self表示实例的引用， response爬虫的结果def parse(self, response):print('代理后的ip: ', response.text)# 这个是main函数也是整个程序入口的惯用写法
if __name__ == '__main__':execute(['scrapy', 'crawl', 'httpbin'])
复制代码

此时运行程序 scrapy crawl httpProxyIp 可以看到结果输出

很明显，这里没有打印出我们想要的结果，说明之前 proxyList = ['http://218.75.158.153:3128','http://188.226.141.61:8080'] 没有用，我们找找有没有可以用的，这里用免费的，所以找起来费点时间免费代理ip

这样就完成了scrapy的代理设置和验证调试。

如何配置动态的代理ip

这里使用的是收费的代理ip了，你可以使用快代理或者阿布云等云服务商提供的服务，当你注册并缴费之后，会给你一个访问url和用户名密码，这里直接看代码吧！同样在 middlewares.py新建一个类

修改 setting.py 的 DOWNLOADER_MIDDLEWARES 内容

DOWNLOADER_MIDDLEWARES = {# 注释掉之前的例子改用AbuyunProxyMiddleware# 'scrapydownloadertest.middlewares.SimpleProxyMiddleware': 100,'scrapydownloadertest.middlewares.AbuyunProxyMiddleware': 100,
}
复制代码

其他地方不动，我们在启动看看，这里换种启动方式，因为使用的是PyCharm开发工具，所以可以直接

http://icanhazip.com/

是一个显示当前访问者ip的网站，可以很方便的用来验证scrapy的代理ip 设置是否成功。