- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我正在尝试在 Tor 上使用 scrapy。我一直在努力思考如何为使用 socksipy 连接的 scrapy 编写 DownloadHandler。
Scrapy 的 HTTP11DownloadHandler 在这里:https://github.com/scrapy/scrapy/blob/master/scrapy/core/downloader/handlers/http11.py
以下是创建自定义下载处理程序的示例: https://github.com/scrapinghub/scrapyjs/blob/master/scrapyjs/dhandler.py
这是创建 SocksiPyConnection 类的代码:http://blog.databigbang.com/distributed-scraping-with-multiple-tor-circuits/
class SocksiPyConnection(httplib.HTTPConnection):
def __init__(self, proxytype, proxyaddr, proxyport = None, rdns = True, username = None, password = None, *args, **kwargs):
self.proxyargs = (proxytype, proxyaddr, proxyport, rdns, username, password)
httplib.HTTPConnection.__init__(self, *args, **kwargs)
def connect(self):
self.sock = socks.socksocket()
self.sock.setproxy(*self.proxyargs)
if isinstance(self.timeout, float):
self.sock.settimeout(self.timeout)
self.sock.connect((self.host, self.port))
由于 scrapy 代码中扭曲 react 器的复杂性,我不知道如何将 socksipy 插入其中。有什么想法吗?
请不要用类似 privoxy 的替代方案来回答或发布回答说“scrapy 不适用于 socks 代理”——我知道,这就是为什么我试图编写一个使用 socksipy 发出请求的自定义下载器。
最佳答案
我能够使用 https://github.com/habnabit/txsocksx 完成这项工作.
完成 pip install txsocksx
后,我需要用 txsocksx.http.SOCKS5Agent
替换 scrapy 的 ScrapyAgent
。
我只是从 scrapy/core/downloader/handlers/http.py
复制了 HTTP11DownloadHandler
和 ScrapyAgent
的代码,将它们子类化并编写这段代码:
class TorProxyDownloadHandler(HTTP11DownloadHandler):
def download_request(self, request, spider):
"""Return a deferred for the HTTP download"""
agent = ScrapyTorAgent(contextFactory=self._contextFactory, pool=self._pool)
return agent.download_request(request)
class ScrapyTorAgent(ScrapyAgent):
def _get_agent(self, request, timeout):
bindaddress = request.meta.get('bindaddress') or self._bindAddress
proxy = request.meta.get('proxy')
if proxy:
_, _, proxyHost, proxyPort, proxyParams = _parse(proxy)
scheme = _parse(request.url)[0]
omitConnectTunnel = proxyParams.find('noconnect') >= 0
if scheme == 'https' and not omitConnectTunnel:
proxyConf = (proxyHost, proxyPort,
request.headers.get('Proxy-Authorization', None))
return self._TunnelingAgent(reactor, proxyConf,
contextFactory=self._contextFactory, connectTimeout=timeout,
bindAddress=bindaddress, pool=self._pool)
else:
_, _, host, port, proxyParams = _parse(request.url)
proxyEndpoint = TCP4ClientEndpoint(reactor, proxyHost, proxyPort,
timeout=timeout, bindAddress=bindaddress)
agent = SOCKS5Agent(reactor, proxyEndpoint=proxyEndpoint)
return agent
return self._Agent(reactor, contextFactory=self._contextFactory,
connectTimeout=timeout, bindAddress=bindaddress, pool=self._pool)
在 settings.py 中,需要这样的东西:
DOWNLOAD_HANDLERS = {
'http': 'crawler.http.TorProxyDownloadHandler'
}
现在通过像 Tor 这样的 socks 代理使用 Scrapy 进行代理。
关于python - 如何为通过 socksipy 发出请求的 scrapy 编写 DownloadHandler?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21839676/
我是一名优秀的程序员,十分优秀!