将 Scrapy 代理中间件设置为在每个请求上轮换

Posted 2023-02-18

【中文标题】将 Scrapy 代理中间件设置为在每个请求上轮换

【英文标题】：Setting Scrapy proxy middleware to rotate on each request

【发布时间】：2014-01-14 12:59:43

【问题描述】：

这个问题必然有两种形式，因为我不知道更好的解决方案。

我正在抓取的网站经常将我踢到重定向的“用户被阻止”页面，但频率（按请求/时间）似乎是随机的，而且他们似乎有一个黑名单阻止了我的许多“开放”代理列表'正在通过 Proxymesh 使用。所以……

当 Scrapy 收到对其请求的“重定向”（例如 DEBUG: Redirecting (302) to (GET http://.../you_got_blocked.aspx) from (GET http://.../page-544.htm)）时，它会继续尝试访问 page-544.htm，还是会继续访问 page-545.htm 并永远在 page-544.htm 上丢失？如果它“忘记”（或将其视为已访问），有没有办法告诉它继续重试该页面？ （如果它自然而然地做到了，那就好，很高兴知道......）

什么是最有效的解决方案？

(a) 我目前在做什么：通过 http_proxy 环境变量使用 proxymesh 旋转代理，这似乎经常旋转代理，至少可以相当定期地通过目标站点的重定向。 （缺点：开放代理的 ping 速度很慢，只有这么多，proxymesh 最终会开始向我收取超过 10 场演出的每场演出费用，我只需要它们在重定向时旋转，我不需要'不知道它们旋转的频率或触发器，以及以上内容：我不知道我被重定向的页面是否正在被 Scrapy 重新排队......）（如果 Proxymesh 在每个请求上旋转，那么我愿意支付合理的费用。）

(b) 使用中间件在每次重定向时重新选择一个新代理是否有意义（并且简单）？对于每一个请求呢？通过 TOR 或 Proxifier 之类的其他东西会更有意义吗？如果这相对简单，我将如何设置它？我在几个地方读过类似的东西，但大多数都过时了，链接断开或废弃的 Scrapy 命令。

作为参考，我目前确实为 Proxy Mesh 设置了中间件（是的，我使用的是 http_proxy 环境变量，但在不遇到麻烦时我喜欢冗余）。所以这就是我目前所拥有的，以防万一：

 class ProxyMiddleware(object):
  def process_request(self, request, spider):
    request.meta['proxy'] = "http://open.proxymesh.com:[port number]"

    proxy_user_pass = "username:password"
    encoded_user_pass = base64.encodestring(proxy_user_pass)
    request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass

【参考方案1】：

昨天我在代理和防御 DDoS 方面有类似的任务。 （我已经解析了一个网站） 这个想法在random.choice。每个请求都有机会更改 IP。 Scrapy 使用 Tor 和 telnetlib3。您需要配置 ControlPort 密码。

from scrapy import log
from settings import USER_AGENT_LIST

import random
import telnetlib
import time


# 15% ip change
class RetryChangeProxyMiddleware(object):
    def process_request(self, request, spider):
        if random.choice(xrange(1,100)) <= 15:
            log.msg('Changing proxy')
            tn = telnetlib.Telnet('127.0.0.1', 9051)
            tn.read_until("Escape character is '^]'.", 2)
            tn.write('AUTHENTICATE "<PASSWORD HERE>"\r\n')
            tn.read_until("250 OK", 2)
            tn.write("signal NEWNYM\r\n")
            tn.read_until("250 OK", 2)
            tn.write("quit\r\n")
            tn.close()
            log.msg('>>>> Proxy changed. Sleep Time')
            time.sleep(10)



# 30% useragent change
class RandomUserAgentMiddleware(object):
    def process_request(self, request, spider):
        if random.choice(xrange(1,100)) <= 30:
            log.msg('Changing UserAgent')
            ua  = random.choice(USER_AGENT_LIST)
            if ua:
                request.headers.setdefault('User-Agent', ua)
            log.msg('>>>> UserAgent changed')