找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,访问微社区

查看: 475|回复: 0

简单好用的爬虫框架分享

[复制链接]

93

主题

6

回帖

113

积分

初中生

热心值
2
IT币
595
贡献值
1
QQ
发表于 2023-1-13 16:14:30 | 显示全部楼层 |阅读模式
做爬虫的都对爬虫框架再熟悉不过了,谈到爬虫架构,不得不提的是Scrapy的爬虫架构。Scrapy,是Python开发的一个快速,高层次的爬虫框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用处非常的广泛,可以用于数据挖掘、监测和自动化测试。Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等。
当我们要爬取大量网页的时候,可能会收到对方服务器的限制,从而被禁止。那么我们应该如何应对这些反爬虫机制呢?scrapy项目中可以有很多方法避免被禁止。其中使用比较多的就是添加代理IP和随机ua。因为大部分网站都是通过这两种方式进行反爬的。那么具体怎么使用呢?这里简单的给大家示例下代理IP的添加方式:
  1. #! -*- encoding:utf-8 -*-        import base64                    import sys        import random        PY3 = sys.version_info[0] >= 3        def base64ify(bytes_or_str):            if PY3 and isinstance(bytes_or_str, str):                input_bytes = bytes_or_str.encode('utf8')            else:                input_bytes = bytes_or_str            output_bytes = base64.urlsafe_b64encode(input_bytes)            if PY3:                return output_bytes.decode('ascii')            else:                return output_bytes        class ProxyMiddleware(object):                            def process_request(self, request, spider):                # 代理服务器(产品官网 [url]it帮论坛真好[/url])                proxyHost = "t.16yun.cn"                proxyPort = "31111"                # 代理验证信息                proxyUser = "username"                proxyPass = "password"                request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort)                # [版本>=2.6.2](https://docs.scrapy.org/en/lates ... py-2-6-2-2022-07-25)无需添加验证头,会自动在请求头中设置Proxy-Authorization                     # 版本<2.6.2 需要手动添加代理验证头                # request.headers['Proxy-Authorization'] = 'Basic ' +  base64ify(proxyUser + ":" + proxyPass)                                    # 设置IP切换头(根据需求)                # tunnel = random.randint(1,10000)                # request.headers['Proxy-Tunnel'] = str(tunnel)                # 每次访问后关闭TCP链接,强制每次访问切换IP                request.header['Connection'] = "Close"
复制代码

这是动态转发模式的代理使用方式,和传统饿api的程序自己或IP池然后进行IP池管理有很大的区别,经过使用对比,动态转发代理使用方式更简单,不需要花时间去维护IP池,很方面项目的启动,特别是对爬虫新手来说,方便很多。还有其他语言的示例有需要的可以去直接搜索亿牛云,在官网上可以找到其他爬虫语言的代理使用参考demo。


ITbang.Net是一个IT教程分享社区!

寻找论坛资源请善用论坛搜索功能,这样会为你节约不少学习时间;

论坛资源如有过期链接失效等,请到教程反馈区发帖反馈,我们会为您良好的行为点赞加分!

回复

使用道具 举报

*滑块验证:
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

免责声明:
IT帮论坛所发布的一切视频资源、工具软件和网络技术相关的文章仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该资源,请支持正版软件,购买注册,得到更好的正版服务。

Mail To:Service@ITbang.Net

QQ|Archiver|手机版|小黑屋|IT帮社区 ( 冀ICP备19002104号-2 )

GMT+8, 2024-5-26 17:33 , Processed in 0.061095 second(s), 21 queries .

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表