scrapy爬虫代理——利用crawlera神器,无需再寻找代理IP

一、crawlera平台注册

    首先申明,注册是免费的,使用的话除了一些特殊定制外都是free的。

    1、登录其网站 https://dash.scrapinghub.com/account/signup/

    填写用户名、密码、邮箱,注册一个crawlera账号并激活

scrapy爬虫代理——利用crawlera神器,无需再寻找代理IP_第1张图片

    2、创建Organizations,然后添加crawlear服务

    scrapy爬虫代理——利用crawlera神器,无需再寻找代理IP_第2张图片

然后点击 +Service ,在弹出的界面点击Crawlear,输入名字,选择信息就创建成功了。

创建成功过后点击你的Crawlear名字便可以看到API的详细信息。


二、部署到srcapy项目

    1、安装scarpy-crawlera

    pip install 、easy_install 随便你采用什么安装方式都可以

pip install scrapy-crawlera

    2、修改settings.py

        如果你之前设置过代理ip,那么请注释掉,加入crawlera的代理

DOWNLOADER_MIDDLEWARES = {
    # 'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
    # 'partent.middlewares.ProxyMiddleware': 100,
'scrapy_crawlera.CrawleraMiddleware': 600
}

    为了是crawlera生效,需要添加你创建的api信息(如果填写了API key的话,pass填空字符串便可)

CRAWLERA_ENABLED = True
CRAWLERA_USER = '<API key>'
CRAWLERA_PASS = ''

    为了达到更高的抓取效率,可以禁用Autothrottle扩展和增加并发请求的最大数量,以及设置下载超时,代码如下

CONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 32
AUTOTHROTTLE_ENABLED = False
DOWNLOAD_TIMEOUT = 600

    如果在代码中设置有 DOWNLOAD_DELAY的话,需要在setting.py中添加

CRAWLERA_PRESERVE_DELAY = True

    如果你的spider中保留了cookies,那么需要在Headr中添加

DEFAULT_REQUEST_HEADERS = {
  # 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
  # 'Accept-Language': 'zh-CN,zh;q=0.8',
  'X-Crawlera-Cookies': 'disable'
}

三、运行爬虫

    这些都设置好了过后便可以运行你的爬虫了。这时所有的request都是通过crawlera发出的,信息如下


更多的crawlera信息请参考官方文档:http://doc.scrapinghub.com/index.html

转载请注明 :http://my.oschina.net/u/2463131/blog/512384

你可能感兴趣的:(代理,scrapy,爬虫,防ban,crawlera)