您的位置:首页 >文章内容

如何随机切换IP和UA?

来源:互联网 作者:admin 时间:2020-01-04 15:25:54

    在爬虫爬取过程中,网站会根据我们的IP和UA去确认到底是浏览器操作还是爬虫在操作,所以,为了让爬虫不被网站禁止,随机切换Ip 和UA是很重要的,因为这个类在各个爬虫中经常要用到,所以可以自已维护一份随机切换IP和UA的代码,


    可以在爬虫工程目录中加入tools这个目录,这个目录中存放着这个爬虫所用到的一些工具,


    目录结构如下:

如何随机切换IP和UA?

    get_ip.py 代码如下:


    复制代码


    import requests


    import pymysql


    class GetIp(object):


    """从数据库中取出可用的IP给爬虫使用"""


    conn = pymysql.connect(host="127.0.0.1", user="root", password="root", db="outback")


    cursor = conn.cursor()


    def get_random_ip(self):


    select_sql = "select ip,port,type from ip_proxy ORDER  by rand() limit 1"


    result = self.cursor.execute(select_sql)


    for ip_info in self.cursor.fetchall():


    ip = ip_info[0]


    port = ip_info[1]


    type = ip_info[2].lower()


    judge_result = self.judge_ip(type, ip, port, )


    if judge_result:


    # 这里不能关闭连接,因为每一个请求都会云获取一个IP,如果关了,就只能获取一个


    # self.cursor.close()


    # self.conn.close()


    return "{0}://{1}:{2}".format(type, ip, port)


    else:


    self.get_random_ip()


    def judge_ip(self, type, ip, port):


    """验证IP是否可用,如果可以用,则返回,不可用,则删除数据库中的该IP"""


    baidu = "https://www.baidu.com"


    proxy_url = "{0}://{1}:{2}".format(type, ip, port)


    try:


    proxy_dict = {type:proxy_url,}


    response = requests.get(baidu, proxies=proxy_dict)


    except Exception as e:


    print("invalid in or port ")


    self.delete_ip(ip)


    return False


    else:


    code = response.status_code


    if code >= 200 and code < 300:


    print("effective ip,the ip is",proxy_url)


    return True


    else:


    print("invalid iP ")


    self.delete_ip(ip)


    return False


    def delete_ip(self, ip):


    delete_sql = """delete FROM ip_proxy where ip='{0}'""".format(ip)


    try:


    self.cursor.execute(delete_sql)


    self.conn.commit()


    except Exception as e:


    print(e)


    if __name__ == "__main__":


    get_ip = GetIp()


    ip = get_ip.get_random_ip()


    print(ip)


    复制代码


    之后在middlewares.py 中进行设置,


    middlewares.py代码如下:


    复制代码


    from taobao.tools.get_ip import GetIp


    class RandomProxyMiddleware(object):


    #动态设置ip代理


    def process_request(self, request, spider):


    get_ip = GetIP()


    request.meta["proxy"] = get_ip.get_random_ip()


    复制代码


    这样就可以使scrapy 动态的随机更换IP


    二 随机更换UA,


    自己可以在settings中维护一个ua池,然后随机切换,但是这样有个不好的地方是,自已维护UA池很麻烦,还在定期查看这些UA是否可用,网上有个开源的库 fake-useragent


    这个库动态的管理着很多UA,可以使用。


    用法如下:


    复制代码


    from scrapy import signals


    from fake_useragent import UserAgent


    class RandomUserAgentMiddleware(object):


    """使用爬虫使用随机的Ip 和 UA"""


    def __init__(self, crawler):


    self.ua = UserAgent()


    self.ua_type = crawler.settings.get("USER_AGENT_TYPE", "random")


    super(RandomIpAndUserAgentMiddleware, self).__init__()


    @classmethod


    def from_crawler(cls, crawler):


    return cls(crawler)


    def process_request(self, request, spider):


    def get_ua():


    return getattr(self.ua, self.ua_type)


    request.headers.setdefault('User-Agent', get_ua())


    复制代码


    其实上边两个类可写成一个类,这个在settings中只设置一个类就行了,代码如下:


    复制代码


    from scrapy import signals


    from fake_useragent import UserAgent


    from taobao.tools.get_ip import GetIp


    def process_request(self, request, spider):


    def get_ua():


    return getattr(self.ua, self.ua_type)


    request.headers.setdefault('User-Agent', get_ua())


    get_ip = GetIP()


    request.meta["proxy"] = get_ip.get_random_ip()


    复制代码


    上面代码中有几个非常重要的,也是很容易出错的地了,


    一、老师,前辈们经常会说,文件打开记得关闭,数据库连接后记得断开连接,但是在GetIp这个类中不能断开数据库(我在这里也卡了),因为scrapy是随机取IP,也就意味着scrapy对每次请求(也可能是每几次请求)就会去数据库中取IP,所以如果在GetIp这个类中就断开连接后,也就是只能取一次,下次就不能取了,所以GetIp这个类中不能断开连接,可以使用scrapy 信号,当爬虫关闭的时候断开连接。所以GetIp类不连接数据而没有断开连接是没有错的。