爬虫刚跑就被封了？

摘要：对于采取了比较强的反爬措施网站来说，要想顺利爬取网站数据，设置随机 User-Agent 和代理 IP 是非常有效的两个方法，继上一篇文章介绍了随机 UserAgent 的设置方法之后，本文接着介绍如何在 Requests 和 Scrapy 中设置代理 IP。

上一篇文章见：

本文的目标测试网页选择下面这个 URL，请求该网页可以返回当前的 IP 地址：

http://icanhazip.com

下面，我们就先来说说 Requests 中如何设置代理 IP。

Requests

▌不使用代理

首先，先来看一下不使用代理 IP 的情况：

1import requests
2url = 'http://icanhazip.com'
3try:
4    response = requests.get(url) #不使用代理
5    print(response.status_code)
6    if response.status_code == 200:
7        print(response.text)
8except requests.ConnectionError as e:
9    print(e.args)

运行上面的程序，会返回我们电脑本机的 IP，可以通过百度查询 IP 地址对比一下。

1200
2124.238.223.xxx # 后三位隐去了
3
4[Finished in 0.8s]

▌使用代理

然后，我们测试一下使用代理后的情况。

常见的代理包括 HTTP 代理和 SOCKS5 代理，前者可以找一些免费代理 IP 进行测试，由于我电脑上使用的是 Shadowsocks，所以就介绍一下 SOCKS5 代理的设置。

首先，电脑上要安装有 Shadowsocks ，如果你还没听过或者使用过这个神器，可以参考下我之前写的篇文章：

启动该软件后默认会在 1080 端口下创建 SOCKS5  代理服务，代理为：127.0.0.1:1080，然后我们在 Requests 中使用该代理，方法很简单只需要添加一项 proxies 参数即可：

 1proxies = [
 2    {'http':'socks5://127.0.0.1:1080'},
 3    {'https':'socks5://127.0.0.1:1080'}
 4]
 5proxies = random.choice(proxies)
 6print(proxies)
 7url = 'http://icanhazip.com'
 8try:
 9    response = requests.get(url,proxies=proxies) #使用代理
10    print(response.status_code)
11    if response.status_code == 200:
12        print(response.text)
13except requests.ConnectionError as e:
14    print(e.args)

这里，proxies 参数是字典类型，键名http表示协议类型，键值 socks5://127.0.0.1:1080表示代理。
proxies 添加了 http 和 https 两个代理，这样写是因为有些网页采用 http 协议，有的则是采用 https 协议，为了在这两类网页上都能顺利使用代理，所以一般都同时写上，当然，如果确定了某网页的请求类型，可以只写一种，比如这里我们请求的 url 使用的是 http 协议，那么使用 http 代理就可以，random 函数用来随机选择一个代理，我们来看一下结果：

1{'http': 'socks5://127.0.0.1:1080'}
2200
345.78.42.xxx #xxx表示隐去了部分信息

可以看到，这里随机选择了 http 协议的代理后，返回的 IP 就是我真实的 IP 代理地址，成功代理后就可以爬一些墙外的网页了。

延伸一下，假如随机选择的是 https 代理，那么返回的 IP 结果还一样么？我们尝试重复运行一下上面的程序：

1{'https': 'socks5://127.0.0.1:1080'}
2200
3124.238.223.xxx

可以看到这次使用了 https 代理，返回的 IP 却是本机的真实 IP，也就是说代理没有起作用。

进一步地，我们将 url 改为 https 协议:https://icanhazip.com，然后再尝试分别用 http 和 https 代理请求，查看一下结果：

1#http 请求
2{'http': 'socks5://127.0.0.1:1080'}
3200
4124.238.223.xxx
5
6#https 请求
7{'https': 'socks5://127.0.0.1:1080'}
8200
945.78.42.xxx

可以看到，两种请求的结果和之前的刚好相反了，由于 url 采用了 https 协议，则起作用的是 https 代理，而 http 代理则不起作用了，所以显示的是本机 IP。

因此，可以得到这样的一个结论：

HTTP 代理，只代理 HTTP 网站，对于 HTTPS 的网站不起作用，也就是说，用的是本机 IP。

HTTPS 代理则同理。

▌使用付费代理

上面，我们只使用了一个代理，而在爬虫中往往需要使用多个代理，那有如何构造呢，这里主要两种方法，一种是使用免费的多个 IP，一种是使用付费的 IP 代理，免费的 IP 往往效果不好，那么可以搭建 IP 代理池，但对新手来说搞一个 IP 代理池成本太高，如果只是个人平时玩玩爬虫，完全可以考虑付费 IP，几块钱买个几小时动态 IP，多数情况下都足够爬一个网站了。

这里推荐一个付费代理「阿布云代理」，最近使用了一下，效果非常不错，5 块钱买了 5个小时，爬完了一个网站，所以没有必要为了省 5 块钱，而费劲地去搞 IP 代理池。

首次使用的话，可以选择购买一个小时的动态版试用下，点击生成隧道代理信息作为凭证加入到代码中。

将信息复制到官方提供的 Requests 代码中，运行来查看一下代理 IP 的效果：

 1import requests
 2# 待测试目标网页
 3targetUrl = "http://icanhazip.com"
 4def get_proxies():
 5    # 代理服务器
 6    proxyHost = "http-dyn.abuyun.com"
 7    proxyPort = "9020"
 8
 9    # 代理隧道验证信息
10    proxyUser = "HS77K12Q77V4G9MD"
11    proxyPass = "4131FFDFCE27F104"
12
13    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
14      "host" : proxyHost,
15      "port" : proxyPort,
16      "user" : proxyUser,
17      "pass" : proxyPass,
18    }
19    proxies = {
20        "http"  : proxyMeta,
21        "https" : proxyMeta,
22    }
23
24    for i in range(1,6):
25        resp = requests.get(targetUrl, proxies=proxies)
26        # print(resp.status_code)
27        print('第%s次请求的IP为：%s'%(i,resp.text))
28
29get_proxies()

可以看到每次请求都会使用不同的 IP，是不是很简单？比搞 IP 代理池省事多了。

以上，介绍了 Requests 中设置代理 IP 的方法，下面我们接着介绍在 Scrapy 中如何设置。

Scrapy

▌middlewares.py 中设置

这种方法需要先在 middlewares.py 中设置代理 IP 中间件：

 1import random
 2class ProxyMiddleware(object):
 3    def __init__(self, ip):
 4        self.ip = ip
 5
 6    @classmethod
 7    def from_crawler(cls, crawler):
 8        return cls(ip=crawler.settings.get('PROXIES'))
 9
10    def process_request(self, request, spider):
11        ip = random.choice(self.ip)
12        request.meta['proxy'] = ip
13        logging.debug('Using Proxy:%s'%ip)

接着，需要在 settings.py 添加几个在西刺上找的代理 IP，格式如下：

1PROXIES = [
2    'https://127.0.0.1:8112', 
3    'https://119.101.112.176:9999',
4    'https://119.101.115.53:9999',
5    'https://119.101.117.226:9999']

然后，我们仍然以 http://icanhazip.com 为目标网页，运行 Scrapy 项目重复请求 5 次，查看一下每次返回的 IP 情况：

1def start_requests(self):
2        items = []
3        for i in range(1,6):
4            item = yield scrapy.Request(self.cate_url,callback=self.get_category)
5            items.append(item)
6        return items
7
8    def get_category(self, response):
9        print(response.text)

结果如下：

可以看到部分 IP 成功请求得到了相应，部分 IP 则无效请求失败，因为这几个 IP 是免费的 IP，所有失效很正常。

▌使用付费代理

接下来我们使用阿布云付费代理，继续尝试一下，在 middlewares.py 中添加下面的代码：

 1""" 阿布云ip代理配置，包括账号密码 """
 2# 阿布云scrapy 写法
 3import base64
 4proxyServer = "http://http-dyn.abuyun.com:9020"
 5proxyUser = "HS77K12Q77V4G9MD"  # 购买后点击生成获得
 6proxyPass = "4131FFDFCE27F104"    # 购买后点击生成获得
 7
 8# for Python3
 9proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")
10
11class AbuyunProxyMiddleware(object):
12    """ 阿布云ip代理配置 """
13    def process_request(self, request, spider):
14        request.meta["proxy"] = proxyServer
15        request.headers["Proxy-Authorization"] = proxyAuth
16        logging.debug('Using Proxy:%s'%proxyServer)

由于，在阿布云购买的是最基础的代理，即每秒 5 个请求，因为 Scrapy 默认的并发数是 16 个，所以需要对 Scrapy 请求数量进行一下限制，可以设置每个请求的延迟时间为 0.2s ，这样一秒就刚好请求 5 个，最后启用上面的代理中间件类即可：

 1""" 启用限速设置 """
 2AUTOTHROTTLE_ENABLED = True
 3DOWNLOAD_DELAY = 0.2  # 每次请求间隔时间
 4
 5DOWNLOADER_MIDDLEWARES = {
 6 #'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, #启用随机UA
 7 #'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 100,  #启用随机UA
 8 'wandoujia.middlewares.AbuyunProxyMiddleware': 200, # 启用阿布云代理
 9 #value值越小优先级越高
10}

然后同样地请求 5 次，查看每次请求返回的 IP ：

可以看到，每个 IP 都顺利请求成功了，所以说付费地效果还是好。

▌使用 scrapy-proxies 库代理

除了上述两种方法，我们还可以使用 GitHub 上的一个 IP 代理库：scrapy-proxies，库的使用方法很简单， 三个步骤就可以开启代理 IP。

首先，运行下面命令安装好这个库：

1pip install scrapy_proxies

然后，在 Scrapy 项目中的 settings.py 文件中，添加下面一段代码：

 1RETRY_TIMES = 3 # 自定义请求失败重试次数
 2#重试的包含的错误请求代码
 3RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]
 4DOWNLOADER_MIDDLEWARES = {
 5    'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
 6    'scrapy_proxies.RandomProxy': 100,
 7    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
 8}
 9PROXY_LIST = r'/proxies.txt'  # proxy 代理文件存放位置，此处为程序所在磁盘根目录下
10PROXY_MODE = 0 # 每次请求都使用不同的代理

最后，需要提供多个代理 IP，我们在西刺上随便找几个 IP，然后存放在 PROXY_LIST 指定的 txt 文件中即可，格式如下：

1https://119.101.112.176:9999
2https://119.101.115.53:9999
3https://119.101.117.53:999

然后重复之前的操作，查看代理 IP 的设置效果。

我在使用该库的过程中，发现有一些问题，不知道是配置不对还是怎么回事，效果不是太好，所以推荐使用前两种方法。

好，以上就是在 Requests 和 Scrapy 中使用代理 IP 的方法总结，如果爬虫项目不大、追求稳定且不差钱的话，建议直接上付费代理。

如需完整实例代码，可以长按下方图片二维码加入我的知识星球：「第2脑袋」，里面有很多干货，期待你的到来。

本文完。

---

---

推荐阅读：

要你「好看」！