一、创建Scrapy工程

1 scrapy startproject 工程名

二、进入工程目录，根据爬虫模板生成爬虫文件

1 scrapy genspider -l # 查看可用模板2 scrapy genspider -t 模板名 爬虫文件名 允许的域名

三、定义爬取关注的数据(items.py文件)

四、编写爬虫文件

五、设置IP池或用户代理

(1)设置IP池

步骤1：在settings.py文件中添加代理服务器的IP信息，如：

1 # 设置IP池2 IPPOOL =[3 　　{"ipaddr": "221.230.72.165:80"},4 　　{"ipaddr": "175.154.50.162:8118"},5 　　{"ipaddr": "111.155.116.212:8123"}6 ]

步骤2：创建下载中间文件middlewares.py(与settings.py同一个目录)，如：

#创建方法，cmd命令行，如项目为modetest，

E:\workspace\PyCharm\codeSpace\modetest\modetest>echo #middlewares.py

1 # -*- coding: utf-8 -*-

2 # 导入随机模块3 import random4 # 导入settings文件中的IPPOOL5 from.settings import IPPOOL6 # 导入官方文档对应的HttpProxyMiddleware7 fromscrapy.contrib.downloadermiddleware.httpproxy import HttpProxyMiddleware8

9 classIPPOOlS(HttpProxyMiddleware):10 　　# 初始化11 　　def __init__(self, ip=''):12 　　self.ip =ip13

14 　　# 请求处理15 　　def process_request(self, request, spider):16 　　# 先随机选择一个IP17 　　thisip =random.choice(IPPOOL)18 　　print("当前使用IP是："+ thisip["ipaddr"])19 　　request.meta["proxy"] = "http://"+thisip["ipaddr"]

步骤3：在settings.py中配置下载中间件

1 # 配置下载中间件的连接信息2 DOWNLOADER_MIDDLEWARES ={3 　　'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,4 　　'modetest.middlewares.IPPOOlS' : 125

5 }

(2)设置用户代理

步骤1：在settings.py文件中添加用户代理池的信息(配置几个浏览器'User-Agent')，如：

1 # 设置用户代理池2 UPPOOL =[3 　　"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393"

4 ]

步骤2：创建下载中间文件uamid.py(与settings.py同一个目录)，如：

#创建方法，cmd命令行，如项目为modetest，

E:\workspace\PyCharm\codeSpace\modetest\modetest>echo #uamind.py

1 # -*- coding: utf-8 -*-#2 # 导入随机模块3 import random4 # 导入settings文件中的UPPOOL5 from.settings import UPPOOL6 # 导入官方文档对应的HttpProxyMiddleware7 fromscrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware8

9 classUamid(UserAgentMiddleware):10 　　# 初始化 注意一定要user_agent，不然容易报错11 　　def __init__(self, user_agent=''):12 　　self.user_agent =user_agent13

14 　　# 请求处理15 　　def process_request(self, request, spider):16 　　　　# 先随机选择一个用户代理17 　　　　thisua =random.choice(UPPOOL)18 　　　　print("当前使用User-Agent是："+thisua)19 　　　　request.headers.setdefault('User-Agent',thisua)

步骤3：在settings.py中配置下载中间件

1 # 配置下载中间件的连接信息2 DOWNLOADER_MIDDLEWARES ={3 　　'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 2,4 'modetest.uamid.Uamid': 1

5 }

总而言之，有时候避免不了配置这类信息，所以直接在settings中都一起配置了如下，直接粘贴到settings.py文件的最后面

1 #========================================

2

3 #设置IP池和用户代理

4

5 #禁止本地Cookie

6 COOKIES_ENABLED =False7

8 #设置IP池

9 IPPOOL =[10 {"ipaddr": "221.230.72.165:80"},11 {"ipaddr": "175.154.50.162:8118"},12 {"ipaddr": "111.155.116.212:8123"}13 ]14

15 #设置用户代理池

16 UPPOOL =[17 "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393"

18 ]19

20 #配置下载中间件的连接信息

21 DOWNLOADER_MIDDLEWARES ={22 #'scrapy.contrib.downloadermiddlewares.httpproxy.HttpProxyMiddleware':123,

23 #'modetest.middlewares.IPPOOlS' : 125,

24 'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 2,25 'modetest.uamid.Uamid': 1

26 }27

28 #============================================