python - Scrapy如何使用代理池

Question

我正在使用 Scrapy 并尝试通过创建自定义的 DownloaderMiddleware 来使用代理池。我遇到了一些麻烦，想在这里获得一些帮助(我查看了Scrapy网站上的文档，但没有代码示例)

我的Python代码是:

import random

class ProxyRotator(object):
    proxy_pool = ['ip1...', 'ip2...', 'ip3...']

    def process_request(self, request, spider):
        request.meta['proxy'] = "http://" + self.proxy_pool[random.randint(0, len(self.proxy_pool) - 1)] + ":80"
        return request

在settings.py中，我添加了

 DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
    'pricecheck_crawler.ProxyMiddleware.ProxyRotator': 100,
 }

目前，抓取工具无法从该网站获取任何内容。 日志显示:

2016-02-17 11:27:50 [scrapy] INFO:已抓取 0 页(以 0 页/分钟)，抓取 0 项(以 0 项/分钟)

2016-02-17 11:27:50 [scrapy] DEBUG:Telnet 控制台监听 127.0.0.1:6051

2016-02-17 11:28:50 [scrapy] INFO:已抓取 0 页(以 0 页/分钟)，抓取 0 项(以 0 项/分钟)

2016-02-17 11:29:50 [scrapy] INFO:已抓取 0 页(以 0 页/分钟)，抓取 0 项(以 0 项/分钟)

Answer 1

试试这个。删除 return request 语句，因为它会将请求返回给 process_request，并且 process_response 将永远不会被调用。在此之前，请确保您仅使用 http 或 https 代理:

def process_request(self, request, spider):
    request.meta['proxy'] = self.proxy_pool[random.randint(0, len(self.proxy_pool) - 1)]

您还可以将设置更改为如下所示:

'pricecheck_crawler.ProxyMiddleware.ProxyRotator': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110

还要验证 request.meta['proxy'] = "http://ip:port"。