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。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。