クイックアンサー
Scrapy で回転プロキシを使うには?
Scrapy の HttpProxyMiddleware の前に動く小さなダウンローダーミドルウェアで request.meta["proxy"] を http://USERNAME:[email protected]:7777 にセットすると、Scrapy が認証情報を送ります。CrawlRelay のレジデンシャルプロキシならユーザ名に国と固定セッションを入れるので、一つのミドルウェアで両方対応可能。トラフィックは50 GBから$0.50/GBで課金。仮想通貨決済、KYC不要。
Scrapy セットアップの概要
| プロキシをセットする場所 | request.meta["proxy"]、ミドルウェアで設定 |
|---|---|
| ミドルウェアの順序 | 組み込みの HttpProxyMiddleware 優先度750以下にあなたのミドルウェアを配置 |
| 認証情報 | プロキシ URL 内;Scrapy が Proxy-Authorization ヘッダーに変換 |
| SOCKS5 | デフォルトのHTTP/1.1ハンドラーでは使えません;Scrapy 2.17以降は HttpxDownloadHandler 経由で SOCKS が利用可能。HTTPポート 7777 が最もシンプル |
| ローテーション | 新規接続ごとに新しい出口IP;リクエストごとにユニークなセッションIDが違うIPを生む通常の動作 |
| マナーの設定 | ROBOTSTXT_OBEY、CONCURRENT_REQUESTS_PER_DOMAIN、AUTOTHROTTLE_ENABLED |
| リトライ | 429 や 5xx はデフォルトの RETRY_HTTP_CODES に含まれ、Retry-After は読み取りません |
プロキシミドルウェアはどう書く?
クラスは middlewares.py に入れます。ユーザー名は設定と3つのオプション meta キー:proxy_country、proxy_session、proxy_ttl から生成されます。proxy_session がないリクエストは回転し、proxy_session="new" があるリクエストは新セッションなので通常は異なる出口IPが得られます。固定セッションID付きリクエストは同じフロー内のリクエストと出口を共有。ミドルウェアは各パス(リトライ含む)でプロキシを再計算し、他のコードで設定済みのプロキシはそのままにします。CRAWLRELAY_USER がないとクロールは自身のIPで起動時に停止します。
import uuid
from urllib.parse import quote
class CrawlRelayProxyMiddleware:
"""Sets request.meta["proxy"]; Scrapy's HttpProxyMiddleware then sends the credentials."""
def __init__(self, user, password, country):
self.user, self.password, self.country = user, password, country
@classmethod
def from_crawler(cls, crawler):
s = crawler.settings
if not s.get("CRAWLRELAY_USER"):
# Fail loudly: NotConfigured would only disable the middleware and crawl from your own IP
raise ValueError("CRAWLRELAY_USER is not set: refusing to crawl without the proxy")
return cls(s.get("CRAWLRELAY_USER"), s.get("CRAWLRELAY_PASSWORD", ""), s.get("CRAWLRELAY_COUNTRY", "us"))
def process_request(self, request, spider=None):
if "proxy" in request.meta and not request.meta.get("_crawlrelay"):
return None # a proxy set by other code: leave it alone
parts = [self.user, "country", request.meta.get("proxy_country", self.country)]
session = request.meta.get("proxy_session")
if session == "new": # a fresh session for this request (and for each of its retries)
session = uuid.uuid4().hex[:12]
if session:
parts += ["session", session, "ttl", str(request.meta.get("proxy_ttl", 10))]
username = "-".join(parts)
request.meta["proxy"] = "http://%s:%[email protected]:7777" % (
quote(username, safe=""), quote(self.password, safe=""))
request.meta["_crawlrelay"] = True
return Noneどの Scrapy 設定がプロキシ利用時のクロールをマナー良く高速に保つ?
プロキシはリクエストを多くのIPに分散しますが、対象サーバーには合計リクエスト率が見えてしまいます。これらの設定はドメインごとの適正なペースを保ち、AutoThrottle が応答速度に応じて自動調整します。ROBOTSTXT_OBEY = True は新規 Scrapy プロジェクトで既に設定済みです。
import os
BOT_NAME = "myproject"
ROBOTSTXT_OBEY = True
USER_AGENT = "ExampleCrawler/1.0 (+https://example.com/crawler-info)"
CRAWLRELAY_USER = os.environ.get("CRAWLRELAY_USER") # e.g. the username from your dashboard
CRAWLRELAY_PASSWORD = os.environ.get("CRAWLRELAY_PASSWORD")
CRAWLRELAY_COUNTRY = "us"
DOWNLOADER_MIDDLEWARES = {
"myproject.middlewares.CrawlRelayProxyMiddleware": 350, # runs before HttpProxyMiddleware (750)
}
CONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 4
AUTOTHROTTLE_ENABLED = True
AUTOTHROTTLE_START_DELAY = 1.0
AUTOTHROTTLE_MAX_DELAY = 30.0
AUTOTHROTTLE_TARGET_CONCURRENCY = 2.0
RETRY_ENABLED = True
RETRY_TIMES = 3
RETRY_HTTP_CODES = [429, 500, 502, 503, 504, 522, 524, 408]
DOWNLOAD_TIMEOUT = 45ページネーションでは1つのIPを保持し、アイテムページではIPを回転させるにはどうすればいいですか?
前のページに依存するフローのリクエストには固定されたproxy_sessionを渡し、独立したページには渡さないでください。以下のスパイダーは、スクレイピング練習用に公開されたsandboxサイト books.toscrape.comで動作します。
import scrapy
class CatalogSpider(scrapy.Spider):
name = "catalog"
start_urls = ["https://books.toscrape.com/"]
def parse(self, response):
for href in response.css("article.product_pod h3 a::attr(href)").getall():
# Product pages are independent: rotating exits
yield response.follow(href, callback=self.parse_item)
next_page = response.css("li.next a::attr(href)").get()
if next_page:
# The listing flow keeps one sticky exit for 30 minutes
yield response.follow(next_page, callback=self.parse,
meta={"proxy_session": "listing1", "proxy_ttl": 30})
def parse_item(self, response):
yield {
"title": response.css("div.product_main h1::text").get(),
"price": response.css("p.price_color::text").get(),
"url": response.url,
}Scrapyは接続を再利用しますか?それは回転を妨げますか?
はい、Scrapyはプロキシとターゲットホストごとに接続を維持し再利用します。そのため連続リクエストは同じ出口を共有します。ほとんどのクロールでは問題ありません。Scrapyはサイトごとに最大CONCURRENT_REQUESTS_PER_DOMAINの接続を開き、新しい接続は通常異なるレジデンシャルプロキシIPを取得します。
新しいIP経由でリクエストを出す必要がある場合(例えば失敗した出口からの502](/docs/errors/502-bad-gateway/)時のリトライ)は、response.request.replace(meta={**response.meta, "proxy_session": "new"}, dont_filter=True)を使って再発行してください。ミドルウェアは新しいセッションユーザー名を作成し、異なるユーザー名は異なる接続プールを意味するため、Scrapyは新しい接続を開き、ゲートウェイは通常異なる出口を割り当てます。
Scrapyで429レスポンスのRetry-Afterを尊重するには?
Scrapyの組み込みRetryMiddlewareは429をリトライしますが、Retry-Afterヘッダーの待機はしません。AutoThrottleはドメインの速度を徐々に落とすので通常問題ありません。長いRetry-After値を送るAPIの場合、小さなミドルウェアを追加しヘッダーを読み取り遅延付きでリトライをスケジュールするか、そのドメインのCONCURRENT_REQUESTS_PER_DOMAINを下げましょう。429ページでヘッダーの意味を説明しています。
scrapy-playwrightでプロキシを使うには?
JavaScriptが必要なページでは、scrapy-playwrightはPlaywrightの起動オプションを設定経由で渡します。認証情報は別々に指定してください:ChromiumはサーバーURL内の認証情報を無視します。ログアウト状態の複数ページにわたるフローをレンダリングする場合は、セッションごとに1つのコンテキストを使います。
import os
DOWNLOAD_HANDLERS = {
"http": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
"https": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
}
TWISTED_REACTOR = "twisted.internet.asyncioreactor.AsyncioSelectorReactor"
PLAYWRIGHT_LAUNCH_OPTIONS = {
"proxy": {
"server": "http://gw.crawlrelay.com:7777",
"username": os.environ.get("CRAWLRELAY_USER", "USERNAME") + "-country-us",
"password": os.environ.get("CRAWLRELAY_PASSWORD", "PASSWORD"),
},
}Scrapyとプロキシ:よくある質問
scrapy-rotating-proxiesやプロキシリストは必要ですか?
いいえ。これらのパッケージは個別のプロキシアドレスのリストをローテーションし、失敗したものを禁止します。レジデンシャルゲートウェイでは、ローテーションは1つのアドレスの背後で行われ、新しい接続ごとに通常異なるレジデンシャルプロキシIPが割り当てられます。request.meta["proxy"]を設定する単一のミドルウェアだけで十分です。
なぜScrapyでプロキシにTunnelErrorが出ますか?
ドメインあたり同時リクエスト数はどれくらいが適切ですか?
ドメインごとに2〜4から始め、AutoThrottleに任せて調整します。429、403、5xxの割合が安定している間だけ増やし、サイトの応答時間を監視してください。大規模サイトはより多く許容可能で、小規模サイトはリクエスト間遅延や単一接続が必要かもしれません。
もっとデータを取得するためにROBOTSTXT_OBEYを無効にすべきですか?
いいえ。robots.txtはサイトが自動クライアントに許可するパスを示すもので、RFC 9309で2022年に標準化されました。これを無視すると法的・倫理的リスクが上がり、サイトが除外したコンテンツを取得するために当社のAcceptable Use Policyに違反する恐れがあります。
Scrapyクロールはどれくらいのトラフィックを使いますか?
ScrapyはHTMLのみをダウンロードするため、ページごとに数十キロバイト程度(圧縮済み)です。実行終了時にScrapyが表示するstats内のdownloader/response_bytes値をレスポンス数で割って確認してください。帯域幅ガイドでコスト換算できます。
レジデンシャルIPをScrapyプロジェクトに組み込む
$5.94を10 GBでテスト、$0.50/GBは50 GBから。