快速回答
Scrapy 如何使用轮换代理?
写个小的下载中间件,在 Scrapy 的 HttpProxyMiddleware 前设置 request.meta["proxy"] 到 http://USERNAME:[email protected]:7777;Scrapy 会帮你发送认证。用 CrawlRelay 住宅代理时,国家和固定会话写在用户名里,一个中间件搞定。流量费US$0.50/GB起,支持加密货币支付,无需 KYC。
Scrapy 配置速览
| 代理位置 | 中间件设置的 request.meta["proxy"] |
|---|---|
| 中间件顺序 | 你的中间件优先级低于内置的 HttpProxyMiddleware(750) |
| 认证凭据 | 在代理 URL 里;Scrapy 转成 Proxy-Authorization 头部 |
| SOCKS5 | 默认 HTTP/1.1 处理器不支持;Scrapy 2.17+ 通过可选的 HttpxDownloadHandler 支持 SOCKS,HTTP 端7777最简单 |
| 轮换 | 每新连接用新的出口;正常请求里唯一会话 ID 会带来不同 IP |
| 礼貌设置 | ROBOTSTXT_OBEY、CONCURRENT_REQUESTS_PER_DOMAIN、AUTOTHROTTLE_ENABLED |
| 重试 | 默认 RETRY_HTTP_CODES 会处理 429 和 5xx;默认不读 Retry-After |
如何编写代理中间件?
把类放在 middlewares.py。它会从设置和三个可选 meta 键(proxy_country、proxy_session、proxy_ttl)构造用户名。无 proxy_session 的请求会轮换;带 proxy_session="new" 的请求会用新会话通常有新出口 IP;固定会话 ID 的请求共享出口。中间件每次执行(包括重试)都会重新计算代理,不会修改其他代码设置的代理。缺少 CRAWLRELAY_USER 时,爬虫启动就停止,不会从你自己的 IP 运行。
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哪些 Scrapy 设置保持代理爬虫礼貌且高速?
代理帮你把请求分散到多个 IP,但目标还是看到你的总速率。这些设置能让每个域名请求保持稳定,不响应变慢时 AutoThrottle 会自动降速。保留 ROBOTSTXT_OBEY = True,新 Scrapy 项目默认设置了。
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我如何保持分页使用同一个IP,同时为商品页进行IP轮换?
在依赖上一页的流程请求中传递固定的proxy_session,而独立页面则不传递。下面的爬虫运行于books.toscrape.com,这是一个专为爬取练习发布的沙箱网站。
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 会重用连接吗?这会停止IP轮换吗?
会的,Scrapy 会保持连接活跃并在每个代理和目标主机间重用它们,因此连续请求会共享同一个出口。对于大多数爬取来说没问题:Scrapy每个站点最多开启CONCURRENT_REQUESTS_PER_DOMAIN条连接,每个新连接通常会分配不同的住宅代理IP。
当请求必须通过新IP发出,比如因失败出口导致的502重试时,使用response.request.replace(meta={**response.meta, "proxy_session": "new"}, dont_filter=True)重新发起请求。中间件会生成新的会话用户名,不同用户名意味着不同的连接池,Scrapy会打开新连接,网关通常会分配不同的出口。
如何在Scrapy中尊重429响应的Retry-After?
Scrapy内置的RetryMiddleware会重试429但不会等待Retry-After的延时。AutoThrottle 会随着时间自动减慢该域名的请求速度,通常已足够。对于发送较长Retry-After值的API,需要增加一个小中间件读取此头部并安排延时重试,或降低该域名的CONCURRENT_REQUESTS_PER_DOMAIN。429页](/docs/errors/429-too-many-requests/)解释了该头部的含义。
如何在scrapy-playwright中使用代理?
对于需要JavaScript的页面,scrapy-playwright通过设置传递Playwright的启动参数。凭证需作为独立字段提供:Chromium会忽略服务器URL内写入的凭证。如果渲染跨页的未登录流程,建议每个固定会话用一个context。
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与代理:常见问题
我需要scrapy-rotating-proxies或代理列表吗?
不需要。这些包轮换单个代理地址列表并禁用失败代理。住宅网关则在单一地址后面完成轮换:每个新连接通常分配不同住宅代理IP。只需一个设置request.meta["proxy"]的中间件即可满足需求。
为什么Scrapy显示我的代理出现TunnelError?
TunnelError: Could not open CONNECT tunnel表示代理拒绝或未能完成对HTTPS站点的CONNECT请求。消息中的状态码表明原因:407是凭证问题,502或504是出口或目标问题。参考407](/docs/errors/407-proxy-authentication-required/)和502](/docs/errors/502-bad-gateway/)相关页。
每个域名建议使用多少并发请求?
从每域2到4个请求开始,让AutoThrottle自动调整。仅当429、403和5xx响应比例保持平稳时再提升,并观察网站响应时间。大型网站承受更多请求,小型网站可能需要请求间隔及单连接。
应该关闭ROBOTSTXT_OBEY以获取更多数据吗?
不应该。robots.txt声明了网站允许自动客户端访问的路径,RFC 9309于2022年标准化了该格式。忽视robots.txt会增加法律和道德风险,且违反我们接受使用政策](/acceptable-use/),当用于访问网站已排除的内容时。
一个Scrapy爬取会消耗多少流量?
Scrapy仅下载HTML,页面通常压缩后几十KB。查看运行结束时Scrapy打印的统计数据中的downloader/response_bytes值,将其除以响应数。带宽指南](/guides/bandwidth-calculator/)可帮助你计算费用。
将住宅代理IP接入你的Scrapy项目
测试使用US$5.94加10 GB,生产使用US$0.50/GB来自50 GB。