在Scrapy爬虫中使用代理IP和反爬虫策略

import scrapy
 
class MySpider(scrapy.Spider):
    name = 'my_spider'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/']
    
    # 使用自定义中间件来设置代理IP
    custom_settings = {
        'DOWNLOADER_MIDDLEWARES': {
            'myproject.middlewares.ProxyMiddleware': 700,
        },
        # 可选：增加爬虫的反爬虫策略
        'USER_AGENT': 'my-custom-user-agent',
        'COOKIES_ENABLED': False,
        # 其他反爬虫设置...
    }
 
# 在middlewares.py中定义代理IP中间件
class ProxyMiddleware:
    def __init__(self, proxy):
        self.proxy = proxy
 
    @classmethod
    def from_crawler(cls, crawler):
        # 从settings中读取代理IP配置
        return cls(proxy=crawler.settings.get('PROXY_IP'))
 
    def process_request(self, request, spider):
        request.meta['proxy'] = self.proxy

这个例子展示了如何在Scrapy爬虫中使用代理IP。首先，在爬虫的custom_settings中配置了自定义的中间件，然后在middlewares.py中定义了ProxyMiddleware，它在请求发送前设置代理IP。这个例子也展示了如何通过USER_AGENT和禁用COOKIES等方式来增加爬虫的反爬虫策略。