虎扑体育网
搜我想看Scrapy框架进阶学习
之前有跟大家分享过爬虫中关于Scrapy框架的使用，今天我们再一次进阶的讲述下这个框架，在爬虫众多框架里面Scrapy 属于佼佼者。它为我们提前想好了很多步骤和要处理的边边角角的问题，而使用者可以专心于处理解析页面、分析请求这种最核心的事情。
Scrapy 是一个纯 Python 实现的、流行的网络爬虫框架，它使用了一些高级功能来简化网页的抓取，能让我们的爬虫更加的规范、高效。今天我们继续以实战来学习爬虫，这次我们试着用Scrapy爬取的网站是小红书：https://www.xiaohongshu.com/。这个网站不用多说大家都知道它的反爬机制很严，所以就算只是实践学习，我们也要做好反爬措施，基本的像随机ua，cookie，代理IP都需要做好。像小红书这样的网站代理IP的使要求是很高的，所以需要找高质量的代理。之前的项目有使用过亿牛云https://www.16yun.cn/#worth感觉还可以，今天我们就继续使用它来获取小红书数据。完整的爬虫代码如下：
#! -*- encoding:utf-8 -*- import base64 import sys import random PY3 = sys.version_info[0] >= 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode('utf8') else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode('ascii') else: return output_bytes class ProxyMiddleware(object): def process_request(self, request, spider): # 代理服务器(产品官网 www.16yun.cn) proxyHost = "t.16yun.cn" proxyPort = "31111" # 代理验证信息 proxyUser = "username" proxyPass = "password" request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort) # 添加验证头 encoded_user_pass = base64ify(proxyUser + ":" + proxyPass) request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass # 设置IP切换头(根据需求) tunnel = random.randint(1,10000) request.headers['Proxy-Tunnel'] = str(tunnel) 修改项目配置文件 (./项目名/settings.py) DOWNLOADER_MIDDLEWARES = { '项目名.middlewares.ProxyMiddleware': 100, }
这里重点讲下 Scrapy除了解析想要的数据，其他的一切都是 Scrapy 替你完成的。这就是 Scrapy 的最大优势，requests 去哪了？不需要，只要把链接交给 Scrapy 就会自动帮你完成请求。
全部回复
评论区开荒，我辈义不容辞
来抢第一个沙发！