V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 3023 天前的主题，其中的信息可能已经有所发展或是发生改变。

首先祝贺大家中秋节快乐。

用于 scrapy 爬虫的自动代理中间件。一般写爬虫时都可能会遇到被爬取网站拒绝访问等情况，接下来就是想使用代理连接，但是好用的代理收费，免费的代理大部分又连接不上。想到写一个自动抓取和切换代理的中间件来解决，抓取的代理都会进行测试，可设置爬虫抓取的网站来测试代理，保证代理可用性。使用 BeautifulSoup 简单筛选网页的代理，所以需要先安装 BeautifulSoup 。

中间件地址： https://github.com/cocoakekeyu/autoproxy 里面有一个简单的抓取花瓣网图片爬虫作为测试。

下面直接照搬README:

AutoProxyMiddleware

简介

一个用于 scrapy 爬虫的自动代理中间件。可自动抓取和切换代理，自定义抓取和切换规则。

用法

将中间件模块放置到项目中，并在项目设置文件中添加该中间件。如

DOWNLOADER_MIDDLEWARES = {
    'projectname.autoproxy.AutoProxyMiddleware': 543,
}

配置

可在项目配置文件中使用AUTO_PROXY配置项配置代理中间件。如

AUTO_PROXY = {
	'test_urls':[('http://upaiyun.com','online'),('http://huaban.com', '33010602001878')],
	'ban_code':[500,502,503,504],
}

所有可用配置

'enable': 一个布尔值，是否启用该中间件。默认为True
'test_urls': 一个二元组的列表，网址+特征码(返回的网页内容中能找到的特定值)，用作代理连接的测试。默认为[('http://www.w3school.com.cn', '06004630'), ]
'test_proxy_timeout': 大于 0 的整数，用于测试代理时连接超时设置。默认为5
'download_timeout': 大于 0 的整数，与 scrapy 的download_timeout一样，启用该中间件则设置。默认为60
'test_threadnums': 大于 0 的整数，启动测试代理的线程数。默认为20
'ban_code': 一个列表，代理被禁用的 http 状态码。确认返回状态码在此范围可自动切换代理。默认为[503,]
'ban_re': 正则表达式字符串，代理被禁用返回的页面内容包含匹配正则式的内容，则切换代理，若为空则不启用。默认为r''
'proxy_least': 大于 0 的整数，若代理池可用数量小于它则自动抓取新的代理。默认为3
'init_valid_proxys': 大于 0 的整数，初始化爬虫时等待的可用代理数量。数值大会导致初始化比较慢，在爬虫进行中也可以同时测试保存的代理。默认为1
'invalid_limit': 大于 0 的整数，每个代理成功下载到页面时都会对其计数，若突然无法连接或者被网站拒绝将对这个代理进行 invaild 操作，若代理爬取的页面数大于该设置数值，则暂时不 invaild ，切换至另一个代理，并减少其页面计数。默认为200