**1. 在`settings.py`做如下配置**
```python
DOWNLOADER_MIDDLEWARES = {
"proxies_pro.middlewares.ProxiesProDownloaderMiddleware": 543,
# 啟用自己定義的中間件
"proxies_pro.middlewares.RandomIpPoolMiddleware": 125,
}
IPPOOL = [
# 免費代理,無密碼和用戶名
{"ipaddr": "101.236.21.22:8866"},
{"ipaddr": "101.126.18.101:8866"},
{"ipaddr": "118.31.220.3:8080"},
{"ipaddr": "35.214.170.66:3128"},
# 付費代理,有密碼和用戶名
{"ipaddr": "56.214.180.69:3990", "user_passwd":"username:password"},
]
```
<br/>
**2. 在`middlewares.py`中自定義 RandomIpPoolMiddleware 中間件**
```python
import random
import logging
import base64
from proxies_pro.settings import IPPOOL
myLogger = logging.getLogger(__name__)
class RandomIpPoolMiddleware:
"""
如果某一個ip無效或者超時,process_request會重復其它ip
在我的測試中重復了4次,如果重復了4次依然沒有一個ip有效
則拋出異常:
twisted.internet.error.TCPTimedOutError: TCP connection timed out: 10060:
由于連接方在一段時間后沒有正確答復或連接的主機沒有反應,連接嘗試失敗。.
"""
def process_request(self, request, spider):
proxy = random.choice(IPPOOL)
# 付費的ip代理需要進行認證
if 'user_passwd' in proxy:
# 對賬號密碼進行編碼
b64_up = base64.b64encode(proxy['user_passwd'])
# 設置認證
request.headers['Proxy-Authorization'] = 'Basic '+ b64_up.decode()
# 設置代理
request.meta['proxy'] = proxy["ipaddr"]
else:
# 設置代理
request.meta['proxy'] = proxy['ipaddr']
return None
def process_response(self, request, response, spider):
myLogger.warning("proxy:{}".format(request.meta["proxy"]))
return response
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理