我已经使用scrapy创建了一个脚本,在其中实现代理的旋转,以解析来自数百个类似链接(如this)的address
。我从脚本中的csv文件提供了这些链接
脚本一直运行良好,直到遇到任何类似https://www.bcassessment.ca//Property/UsageValidation
的响应url为止。考虑到一旦脚本开始获取该链接,它就无法绕过该链接。仅供参考,我正在使用包含lead_link
的元属性来使用原始链接而不是重定向链接作为重试,因此我应该能够绕过该障碍
在请求库中使用代理时不会发生这种情况。更清楚地说,在使用requests库时,脚本确实遇到了这个页面/Property/UsageValidation
,但在几次重试后成功地绕过了这个页面
蜘蛛就像:
class mySpider(scrapy.Spider):
name = "myspider"
custom_settings = {
'DOWNLOADER_MIDDLEWARES': {
'stackoverflow_spider.middlewares.ProxiesMiddleware': 100,
}
}
def start_requests(self):
with open("output_main.csv","r") as f:
reader = csv.DictReader(f)
for item in list(reader):
lead_link = item['link']
yield scrapy.Request(lead_link,self.parse,meta={"lead_link":lead_link,"download_timeout":20}, dont_filter=True)
def parse(self,response):
address = response.css("h1#mainaddresstitle::text").get()
print(response.meta['proxy'],address)
if __name__ == "__main__":
c = CrawlerProcess({
'USER_AGENT':'Mozilla/5.0',
'LOG_LEVEL':'ERROR',
})
c.crawl(mySpider)
c.start()
如何让脚本不遇到该页面?
PS我在text file中附加了一些链接,以防有人想尝试一下
为scrapy应用程序实现会话安全代理 需要添加额外的
cookiejar
元键,以将代理分配给request.meta
的位置,如下所示:在这种情况下,scrapy
cookiesMiddleware
将为每个代理创建额外的cookieSession本answer中提到的scrapy代理实现的相关细节
相关问题 更多 >
编程相关推荐