Win10環境下的Scrapy結合Tor進行匿名爬取

原文：http://m.cnblogs.com/kylinlin/p/5242266.html

在使用Scrapy的時候，一旦進行高頻率的爬取就容易被封IP，此時可以通過使用TOR來進行匿名爬取，同時要安裝Polipo代理服務器。

注意：要進行下麵的操作的前提是，你能FQ

點擊啟動Tor

過一陣子後顯示連接成功

選擇polipo-1.1.0-win32.zip，下載並解壓，然後編輯解壓後的文件config.sample，在文件的開頭加上以下配置

socksParentProxy = "localhost:9050"
socksProxyType = socks5
diskCacheRoot = ""

使用cmd命令運行該目錄下的程序：polipo.exe -c config.sample

打開edge瀏覽器，設置代理

然後在瀏覽器中訪問：

看到以下的界麵意味著配置成功

在settings.py文件中加入下麵的內容

#More comprehensive list can be found at
#http://techpatterns.com/forums/about304.html
USER_AGENT_LIST = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.7 (KHTML, like Gecko) Chrome/16.0.912.36 Safari/535.7',
'Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:16.0) Gecko/16.0 Firefox/16.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/534.55.3 (KHTML, like Gecko) Version/5.1.3 Safari/534.53.10',
]
HTTP_PROXY = 'http://127.0.0.1:8123'
DOWNLOADER_MIDDLEWARES = {
'myspider.middlewares.RandomUserAgentMiddleware': 400, # 修改這裏的myspider為項目名稱
'myspider.middlewares.ProxyMiddleware': 410, # 同上
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': ,
}

在scrapy項目的根目錄新建一個middlewares.py文件，並輸入以下內容

import random
from scrapy.conf import settings
from scrapy import log
class RandomUserAgentMiddleware(object):
def process_request(self, request, spider):
ua = random.choice(settings.get('USER_AGENT_LIST'))
if ua:
request.headers.setdefault('User-Agent', ua)
#this is just to check which user agent is being used for request
spider.log(
u'User-Agent: {} {}'.format(request.headers.get('User-Agent'), request),
level=log.DEBUG
)
class ProxyMiddleware(object):
def process_request(self, request, spider):
request.meta['proxy'] = settings.get('HTTP_PROXY')

至此，scrapy與tro的整合完成了，本文不對任何人使用這個方法所造成的後果負責

下麵的內容與上麵無關，隻是記錄一下如何使用Tor瀏覽器，在我們下載tor的頁麵上，還有一個下載選項（第一個就是一個瀏覽器，通過該瀏覽器可以匿名訪問網頁，Tor Browser會自動通過Tor網絡啟動Tor的後台進程連接網絡。一旦關閉程序的便會自動刪除隱私敏感數據，如HTTP cookie和瀏覽曆史記錄，以避免竊聽並保留在互聯網上的隱私）

下載了第一個Tor Browser並安裝後，進行下麵的配置

由於Tor的連接被牆掉了，所以要配置網橋

獲取網橋：

將網橋複製下來，粘貼到tor瀏覽器上

有時候連接不成功，就要再申請新的網橋來嚐試

題圖：pexels，CC0 授權。