用Privoxy和Tor抓紧时间：如何更新IP

Question

我正在处理Scrapy，Privoxy和Tor。我已全部安装并正常工作。但是Tor每次都使用相同的IP连接，因此我很容易被禁止。是否可以告诉Tor每X秒或连接重新连接一次？

谢谢！

编辑有关配置：对于用户代理程序池，我这样做：http :
//tangww.com/2013/06/UsingRandomAgent/ （我不得不放入_ init
_.py文件，如注释中所述），并且对于Privoxy和Tor，我遵循http://www.andrewwatters.com/privoxy/（我必须使用终端手动创建私有用户和私有组）。有效
：）

我的蜘蛛是这样的：

from scrapy.contrib.spiders import CrawlSpider
from scrapy.selector import Selector
from scrapy.http import Request

class YourCrawler(CrawlSpider):
    name = "spider_name"
    start_urls = [
    'https://example.com/listviews/titles.php',
    ]
    allowed_domains = ["example.com"]

    def parse(self, response):
        # go to the urls in the list
        s = Selector(response)
        page_list_urls = s.xpath('///*[@id="tab7"]/article/header/h2/a/@href').extract()
        for url in page_list_urls:
            yield Request(response.urljoin(url), callback=self.parse_following_urls, dont_filter=True)

        # Return back and go to bext page in div#paginat ul li.next a::attr(href) and begin again
        next_page = response.css('ul.pagin li.presente ~ li a::attr(href)').extract_first()
        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield Request(next_page, callback=self.parse)

    # For the urls in the list, go inside, and in div#main, take the div.ficha > div.caracteristicas > ul > li
    def parse_following_urls(self, response):
        #Parsing rules go here
        for each_book in response.css('main#main'):
            yield {
                'editor': each_book.css('header.datos1 > ul > li > h5 > a::text').extract(),
            }

在settings.py中，我有一个用户代理轮换和privoxy：

DOWNLOADER_MIDDLEWARES = {
        #user agent
        'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,
        'spider_name.comm.rotate_useragent.RotateUserAgentMiddleware' :400,
        #privoxy
        'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
        'spider_name.middlewares.ProxyMiddleware': 100
    }

在middlewares.py中，我添加了：

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        request.meta['proxy'] = 'http://127.0.0.1:8118'
        spider.log('Proxy : %s' % request.meta['proxy'])

我认为就这些…

编辑II-

好的，我更改了middlewares.py文件，就像博客@TomášLinhart所说的那样：

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        request.meta['proxy'] = 'http://127.0.0.1:8118'
        spider.log('Proxy : %s' % request.meta['proxy'])

至

from stem import Signal
from stem.control import Controller

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        request.meta['proxy'] = 'http://127.0.0.1:8118'
        spider.log('Proxy : %s' % request.meta['proxy'])

    def set_new_ip():
        with Controller.from_port(port=9051) as controller:
            controller.authenticate(password='tor_password')
            controller.signal(Signal.NEWNYM)

但是现在真的很慢，并且似乎没有更改ip…我做的还好还是有问题？

Answer 1

这篇博客文章可能会帮助您，因为它处理了相同的问题。

编辑： 基于具体要求（对于每个请求或之后新的IP Ñ
请求），把适当的呼叫到set_new_ip在process_request中间件的方法。但是请注意，对set_new_ip函数的调用并不一定总是确保新的IP（存在指向FAQ的链接以及相关说明）。

EDIT2： 具有ProxyMiddleware类的模块如下所示：

from stem import Signal
from stem.control import Controller

def _set_new_ip():
    with Controller.from_port(port=9051) as controller:
        controller.authenticate(password='tor_password')
        controller.signal(Signal.NEWNYM)

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        _set_new_ip()
        request.meta['proxy'] = 'http://127.0.0.1:8118'
        spider.log('Proxy : %s' % request.meta['proxy'])