前面说到两个部分，一个是基础的scrapy源码，另一个是scrapy的框架以及其运行过程。说着说着，我开始爬网站。http://xuexi.huize.com/study/list-1-1026.html由于需要，我们爬的是这个保险网站上面的一些数据。
一开始爬的挺顺利
但是！问题来了！！爬了4万条语料之后，你开始登不上网站了。刷新也不行，于是就开始找原因，各种twisted报错，各种request faild。然后就会发现，你再打开之前的网页，就出现网页不能打开了。网上各种找原因，发现是网站发现你重复请求，就把你ban了。怎么办？我的天，问题严重了。。。。
找了半天，找到解决问题的办法，一个是代理ip，一个是更换user_agent
先说代理ip吧，主要思路是，找很多很多ip，最好就是每request一个，换一个IP，那样网站怎么找就找不到了。那样，就出现问题了，首先，ip来源问题，第二，ip质量问题，第三，ip如何嵌入每一个request。
先说来源问题，找了很多网站，也咨询过很多卖ip的，确实比较贵，而且害怕不稳定，好容易找到了一个网站，直接列出来ip的那种，测了一下，每个ip都能用。没用几天，网站给封了，所以在这儿推荐一个简书大神找的网站列表：【爬虫】免费代理IP地址列表与部分抓取源码
目前自己只尝试了西刺，89ip等几个网站。西刺的策略是，遍历所有的网页，爬存在时长超过半年的ip，再测试每个ip的可用性。
最后发现，数量虽然多，大概遍历2000个网页，能得到几百个ip，然后测试可用大概也就小几十个左右。而且非常耗时。于是放弃，另寻他路。
然后就找到了这个89ip，感觉贼好用，只爬了前20页ip，但是测试可用也有几十个，省时省力。
好了，有人就会问了，怎么测ip可用性？你想啊，ip可用不可用，你是要干嘛的？爬虫啊？那不就对了，用这个ip装爬虫上，请求网页，请求到就可用，请求不到就不可用啊？所以，答案来了：
然后再写一个deleteip的方法：
遍历完了ip，测试了可用性之后，再想要用ip的时候，随机再数据库中抽一个就好。
ok这个思路明了了，怎么把这个ip加入爬虫呢？那就要用到我们之前讲的知识了。爬虫代理ip在哪儿？第二张说过，在downloadmiddleware中。所以，我们在middleware层引入这个包和方法。
再在setting里面配置一下middleware的东西：
好了，大功告成。这边一个注意的小点，上面拿一张图的request["proxy"]="......."这个是必须的。而且一定要是proxy？为啥？因为你的爬虫request拥有的是proxy属性啊。
ok，有了这个ip之后，那我们可以大概知道useragent怎么做了，找了useragent列表，享用的时候就取。
标箭头的地方注意，这个也是要写到middleware层面的，不要解释了吧？但是我这边是在setting里面加了一个名字叫my_user_agent的代理列表，你要爬的话，可以参照这个网站：爬虫user_agent里面，爬取芝麻代理的列表，进行遍历和试用，原理跟ip差不多。当然，setting里面也要添加：
这边原理以及具体爬虫怎么调用的，还不是特别清楚，希望这周可以把它搞懂，争取再更一篇，看一下源码，说一下原理。
网友评论