הגרסה הפשוטה ביותר#
סיווג התגובה לפני ניסיון חוזר. 403 עשוי להצביע על כלל גישה ש-IP אחר לא יפתור. עבור 429, כבד את שיעור ה-Retry-After וצמצם את הבקשה; השתמש בגיבוי מוגבל לחיבור זמני או כשלי שרת. נסה פעולות לשינוי מצב רק כאשר אתה יכול למנוע פעולות כפולות.
import scrapy
PROXY = "http://USER-cc-us:PASS@res.proxy-cyber.com:9000"
class PricesSpider(scrapy.Spider):
name = "prices"
start_urls = ["https://example.com/catalog"]
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url, meta={"proxy": PROXY})
def parse(self, response):
for href in response.css("a.product::attr(href)").getall():
yield response.follow(href, callback=self.parse_product, meta={"proxy": PROXY})
def parse_product(self, response):
yield {"url": response.url, "price": response.css(".price::text").get()}אמצעי עבור פגישות דביקות לכל פריט#
import hashlib
class Proxy CyberMiddleware:
GATEWAY = "res.proxy-cyber.com:9000"
def __init__(self, user, password, country):
self.user, self.password, self.country = user, password, country
@classmethod
def from_crawler(cls, crawler):
s = crawler.settings
return cls(s.get("KEY_PROXY_USER"), s.get("KEY_PROXY_PASS"), s.get("KEY_PROXY_COUNTRY", "us"))
def process_request(self, request, spider):
# Sticky when the request carries a session key (e.g. one per product flow), rotating otherwise
key = request.meta.get("session_key")
user = f"{self.user}-cc-{self.country}"
if key:
sid = hashlib.sha1(key.encode()).hexdigest()[:12]
user += f"-sid-{sid}-ttl-10m"
request.meta["proxy"] = f"http://{user}:{self.password}@{self.GATEWAY}"DOWNLOADER_MIDDLEWARES = {
"myproject.middlewares.Proxy CyberMiddleware": 350, # before HttpProxyMiddleware (750)
}
KEY_PROXY_USER = "USER"
KEY_PROXY_PASS = "PASS"
KEY_PROXY_COUNTRY = "de"
CONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 8
AUTOTHROTTLE_ENABLED = True
AUTOTHROTTLE_TARGET_CONCURRENCY = 4.0
DOWNLOAD_TIMEOUT = 45
RETRY_ENABLED = True
RETRY_TIMES = 2
RETRY_HTTP_CODES = [408, 429, 500, 502, 503, 504, 522, 524]
COMPRESSION_ENABLED = Trueחיבור חוזר ומשימות IP הן פקדים שונים. מושב לקוח משתמש שקעים; רק את המחוג שהוקצה רוטציה הפעלה דביקה התנהגות. השתמש פרמטרים ההפעלה שסופקו עם השירות שלך, ולאמת את היציאה על פני כמה בקשות. סגירת שקע או שליחת חיבור: סגור אינו מבטיח IP שונה.
שמירה על החשבון למטה#
- Scrapy אינו טוען תמונות או סקריפטים; HTML ו-JSON בלבד, כך שדף עולה את גודל ה-HTML שלו.
- אפשר דחיסה (ברירת מחדל) ומנע
Splashאו דפדפן, אלא אם כן הנתונים צריכים את זה. - מטמון עם
HTTPCACHE_ENABLED = Trueבמהלך הפיתוח, אתה לא משלם כדי להביא מחדש את אותם דפים בעת ניפוי באגים בוררים.
נימוס לכל תחום#
מאגר כתובות היא דרך להיות מבקרים מנומסים רבים, לא אחד לא מנומס. CONCURRENT_REQUESTS_PER_DOMAIN AutoThrottle לשמור על כל יעד בשיעור סביר לאדם ליציאה; מדיניות שימוש מקובלת אוסר על כל דבר שנראה כמו התקפה.
שאלות שאנשים שואלים#
האם אני צריך גרוטאות מסתובבות-proxys?
לא עם שער: רוטציה קורה בצד Key פרוקסי עבור כל חיבור חדש. חבילה זו מנהלת רשימות של פרוקסי סטטי; עם res.proxy-cyber.com יש פרוקסי אחד להגדיר.
איך אני משתמש במדינה אחרת לפי בקשה?
הגדר request.meta ["מדינה"] בעכביש וקרא אותו בכלי האמצע כדי לבנות את -cc-פרמטר; הדוגמה משתמשת הגדרה אחת לקיצור.