คำตอบด่วน
ฉันจะใช้พร็อกซีหมุนเวียนร่วมกับ Scrapy ได้อย่างไร?
ตั้งค่า request.meta["proxy"] เป็น http://USERNAME:[email protected]:7777 ใน downloader middleware ตัวเล็กที่ทำงานก่อน Scrapy HttpProxyMiddleware; Scrapy จะส่งข้อมูลรับรองให้คุณด้วย ในพร็อกซีเรซิเดนเชียล CrawlRelay ประเทศและเซสชันติดหนึบจะอยู่ในชื่อผู้ใช้ ทำให้ middleware ตัวเดียวจัดการได้ทั้งสองอย่าง ค่าใช้จ่ายทราฟฟิกเริ่มต้นที่ US$0.50/GB จาก 50 GB จ่ายด้วยคริปโต โดยไม่ต้อง KYC
การตั้งค่า Scrapy เบื้องต้น
| ตำแหน่งพร็อกซี | request.meta["proxy"] กำหนดโดย middleware ของคุณ |
|---|---|
| ลำดับ middleware | middleware ของคุณต่ำกว่า 750 ซึ่งเป็นลำดับของ HttpProxyMiddleware ที่มากับตัวโปรแกรม |
| ข้อมูลรับรอง | ใน URL ของพร็อกซี; Scrapy จะแปลงเป็น header Proxy-Authorization |
| SOCKS5 | ไม่รองรับกับตัวจัดการ HTTP/1.1 เริ่มต้น Scrapy 2.17+ รองรับ SOCKS ผ่าน HttpxDownloadHandler ตัวเลือก พอร์ต HTTP 7777 ง่ายที่สุด |
| การหมุนเวียน | สร้าง exit ใหม่ต่อการเชื่อมต่อใหม่; ID เซสชันเฉพาะต่อคำขอมักให้ IP ต่างกัน |
| ความสุภาพ | ROBOTSTXT_OBEY, CONCURRENT_REQUESTS_PER_DOMAIN, AUTOTHROTTLE_ENABLED |
| Retries | สถานะ 429 และ 5xx อยู่ใน RETRY_HTTP_CODES เริ่มต้น; Retry-After ไม่ได้ถูกอ่านโดยค่าเริ่มต้น |
ฉันจะเขียน proxy middleware อย่างไร?
ใส่คลาสใน middlewares.py สร้างชื่อผู้ใช้จากการตั้งค่าและกุญแจ meta ตัวเลือกสามตัว: proxy_country, proxy_session และ proxy_ttl คำขอไม่มี proxy_session จะหมุนเวียน IP; คำขอมี proxy_session="new" จะได้เซสชันใหม่จึงมักเป็น exit IP ที่ต่างกัน; คำขอที่มีเซสชัน ID ตายตัวจะแชร์ exit เดียวกับคำขออื่นของ flow เดียวกัน middleware จะคำนวณพร็อกซีใหม่ในทุกขั้นตอนรวมการลองใหม่ และไม่แตะพร็อกซีที่ตั้งโดยโค้ดอื่น หาก CRAWLRELAY_USER หายไป การครอว์ลจะหยุดตอนเริ่ม แทนที่จะรันจาก IP ของคุณเอง
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 Noneการตั้งค่า Scrapy ตัวไหนที่ช่วยให้การครอว์ลผ่านพร็อกซีสุภาพและเร็ว?
พร็อกซีช่วยกระจายคำขอของคุณผ่าน IP หลายหมายเลข แต่เป้าหมายยังเห็นอัตราการส่งทั้งหมด การตั้งค่าเหล่านี้ควบคุมโดเมนแต่ละแห่งให้ทำงานในจังหวะที่ยั่งยืนและให้ AutoThrottle ชะลอตัวเองเมื่อการตอบสนองช้าลง ให้รักษา ROBOTSTXT_OBEY = True ซึ่งโปรเจกต์ Scrapy ใหม่ตั้งไว้แล้ว
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 = 45ฉันจะรักษา IP เดียวสำหรับการแบ่งหน้าและสลับสำหรับหน้ารายการอย่างไร?
ส่งพร็อกซีเรซิเดนเชียลคงที่ proxy_session ในคำขอของโฟลว์ที่ขึ้นอยู่กับหน้าก่อนหน้า และไม่ต้องส่งในหน้าที่เป็นอิสระ แมงมุมข้างล่างนี้รันบน books.toscrape.com ซึ่งเป็นไซต์ทดลองสำหรับฝึกขูดข้อมูล
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 ใช้การเชื่อมต่อซ้ำหรือไม่ และนั่นจะหยุดการสลับหรือเปล่า?
ใช่ Scrapy รักษาการเชื่อมต่อให้คงอยู่และใช้ซ้ำตามพร็อกซีและโฮสต์เป้าหมาย ดังนั้นคำขอที่ต่อเนื่องในการเชื่อมต่อเดียวกันจะใช้ทางออกเดียวกัน สำหรับการครอว์ส่วนใหญ่ถือว่าโอเค: Scrapy เปิดได้สูงสุดถึง CONCURRENT_REQUESTS_PER_DOMAIN การเชื่อมต่อต่อเว็บไซต์ และแต่ละการเชื่อมต่อใหม่โดยปกติจะได้ IP residential ที่แตกต่างกัน
เมื่อคำขอต้องส่งออกผ่าน IP ใหม่ เช่น การลองใหม่หลังจากได้ 502 จากทางออกที่ล้มเหลว ให้ส่งคำขออีกครั้งโดยมี response.request.replace(meta={**response.meta, "proxy_session": "new"}, dont_filter=True) กลาง หลักการทำงานของ middleware จะสร้างชื่อผู้ใช้เซสชันใหม่ ชื่อผู้ใช้ที่ต่างกันหมายถึงกลุ่มการเชื่อมต่อที่ต่างกัน ดังนั้น Scrapy จะเปิดการเชื่อมต่อใหม่และเกตเวย์มักจะมอบทางออกที่แตกต่างกัน
ฉันจะปฏิบัติตาม Retry-After ในการตอบสนอง 429 ใน Scrapy อย่างไร?
Scrapy มีระบบ RetryMiddleware ที่ลองทำซ้ำกับ 429 แต่ไม่รอช่วงหยุดชั่วคราว Retry-After AutoThrottle จะค่อย ๆ ลดความถี่ของโดเมน ทำให้สถานการณ์โดยส่วนใหญ่นั้นเพียงพอ สำหรับ API ที่ส่งค่า Retry-After ยาว ๆ เพิ่ม middleware เล็ก ๆ ที่อ่านเฮดเดอร์และตั้งเวลาการลองใหม่พร้อมหยุดชั่วคราว หรือปรับลด CONCURRENT_REQUESTS_PER_DOMAIN สำหรับโดเมนนั้น หน้าของ 429 อธิบายความหมายของเฮดเดอร์
ฉันจะใช้พร็อกซีกับ scrapy-playwright อย่างไร?
สำหรับหน้าที่ต้องใช้ JavaScript scrapy-playwright จะส่งตัวเลือกการเปิดตัวของ Playwright ผ่านการตั้งค่า ให้ใส่ข้อมูลรับรองเป็นฟิลด์แยก Chromium ไม่ยอมรับข้อมูลรับรองที่เขียนใน URL ของเซิร์ฟเวอร์ ใช้ 1 คอนเท็กซ์ต่อเซสชันติดหนึบหากคุณเรนเดอร์โฟลว์ที่ล็อกเอาท์ซึ่งครอบคลุมหลายหน้า
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"),
},
}คำถามเกี่ยวกับ Scrapy และพร็อกซี
ฉันจำเป็นต้องใช้ scrapy-rotating-proxies หรือรายชื่อพร็อกซีหรือไม่?
ไม่จำเป็น แพ็กเกจเหล่านั้นจะสลับที่อยู่พร็อกซีทีละตัวและบล็อกตัวที่ล้มเหลว ในเกตเวย์ residential การสลับเกิดขึ้นภายใต้ที่อยู่เดียว: การเชื่อมต่อใหม่จะได้รับ residential IP ที่แตกต่างกันเท่านั้น มิดเดิลแวร์ตัวเดียวที่ตั้งค่า request.meta["proxy"] ก็เพียงพอแล้ว
ทำไม Scrapy ถึงแสดง TunnelError กับพร็อกซีของฉัน?
ฉันควรใช้จำนวนคำขอพร้อมกันต่อโดเมนเท่าไหร่?
เริ่มที่ 2 ถึง 4 ต่อโดเมน และปล่อย AutoThrottle ปรับเพิ่มทีละน้อย เพิ่มจำนวนขึ้นเฉพาะเมื่อเปอร์เซ็นต์ 429, 403 และ 5xx ยังคงที่ และสังเกตเวลาตอบสนองของเว็บไซต์ เว็บใหญ่จะรับได้มากกว่าเว็บเล็ก เว็บเล็กอาจต้องหน่วงเวลาระหว่างคำขอและใช้การเชื่อมต่อเดี่ยว
ฉันควรปิด ROBOTSTXT_OBEY เพื่อให้ได้ข้อมูลมากขึ้นหรือไม่?
ไม่ควร robots.txt คือวิธีที่เว็บบอกเส้นทางที่อนุญาตให้ไคลเอนต์อัตโนมัติสามารถเข้าถึงได้ และ RFC 9309 ได้มาตรฐานรูปแบบนี้ในปี 2022 การละเลยจะเพิ่มความเสี่ยงทางกฎหมายและจริยธรรม รวมถึงละเมิด นโยบายการใช้งานที่ยอมรับได้ หากใช้เพื่อเข้าถึงเนื้อหาที่เว็บไซต์ปิดกั้น
การครอว์ Scrapy ใช้ปริมาณข้อมูลขนาดไหน?
Scrapy ดาวน์โหลดแค่ HTML เท่านั้น ดังนั้นแต่ละหน้าจะมีขนาดไม่กี่สิบกิโลไบต์ (บีบอัดแล้ว) ตรวจสอบค่า downloader/response_bytes ในสถิติที่ Scrapy แสดงเมื่อจบการทำงานแล้วหารด้วยจำนวนการตอบกลับ คู่มือ แบนด์วิดท์ จะช่วยคำนวณค่าใช้จ่ายจากข้อมูลนั้น
เสียบ residential IPs ลงในโปรเจกต์ Scrapy ของคุณ
US$5.94 สำหรับ 10 GB เพื่อทดสอบ, US$0.50/GB จาก 50 GB