Scrapy中间件(代理、Cookie、请求头、UA)

以下是一个Scrapy中间件的示例,用于设置请求的代理、Cookie和请求头,以及随机更换User-Agent:




import random
from scrapy import signals
from scrapy.downloadermiddlewares.cookies import CookiesMiddleware
from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
 
class MyCustomMiddleware(object):
    def __init__(self, proxy_url=None, cookie_name=None, user_agent_list=None):
        self.proxy_url = proxy_url
        self.cookie_name = cookie_name
        self.user_agent_list = user_agent_list
 
    @classmethod
    def from_crawler(cls, crawler):
        # 从Scrapy的配置文件中读取参数
        proxy_url = crawler.settings.get('PROXY_URL')
        cookie_name = crawler.settings.get('COOKIE_NAME')
        user_agent_list = crawler.settings.get('USER_AGENT_LIST')
        # 创建中间件实例
        middleware = cls(proxy_url, cookie_name, user_agent_list)
        # 将信号连接到相应的处理函数
        crawler.signals.connect(middleware.spider_opened, signal=signals.spider_opened)
        return middleware
 
    def process_request(self, request, spider):
        # 设置代理
        if self.proxy_url:
            request.meta['proxy'] = self.proxy_url
        
        # 设置Cookie
        if self.cookie_name:
            request.cookies[self.cookie_name] = 'your_cookie_value'
            # 或者使用CookiesMiddleware
            # CookiesMiddleware.process_request(request, spider)
        
        # 设置User-Agent
        if self.user_agent_list:
            user_agent = random.choice(self.user_agent_list)
            request.headers.setdefault('User-Agent', user_agent)
            # 或者使用UserAgentMiddleware
            # UserAgentMiddleware.process_request(request, spider)
 
    def spider_opened(self, spider):
        # 当爬虫开启时,可以进行一些初始化操作
        pass

在Scrapy的配置文件(settings.py)中,你需要启用这个中间件,并设置相应的参数:




DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.MyCustomMiddleware': 543,
}
 
# 配置代理服务器
PROXY_URL = 'http://your.proxy.com:port'
 
# 配置Cookie名称
COOKIE_NAME = 'my_cookie_name'
 
# 配置User-Agent列表
USER_AGENT_LIST = [
    'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; Trident/5.0)',
    'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:18.0) Gecko/20100101 Firefox/18.0',
    # ...更多User-Agent字符串...
]

这个中间件示例提供了如何在Scrapy爬虫中设置代理、Cookie和User-Agent的方法,并且可以随机选择User-Agent来避免被对方服务器识别。在实际应用中,你需要根据自己的需求进行相应的配置。

最后修改于:2024年08月17日 20:19

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日