欢乐白领论坛,繁星年度盛典,streamboxripper
如果你在爬虫过程中有遇到“您的请求太过频繁，请稍后再试”，或者说代码完全正确，可是爬虫过程中突然就访问不了，那么恭喜你，你的爬虫被对方识破了，轻则给予友好提示警告，严重的可能会对你的ip进行封禁，所以代理ip那就尤为重要了。今天我们就来谈一下代理ip，去解决爬虫被封的问题。
网上有许多代理ip，免费的、付费的。大多数公司爬虫会买这些专业版，对于普通人来说，免费的基本满足我们需要了，不过免费有一个弊端，时效性不强，不稳定，所以我们就需要对采集的ip进行一个简单的验证。
1.目标采集
本文主要针对，这个网站很早之前用过，不过那个时候它还提供免费的api，现在api暂不提供了，我们就写个简单的爬虫去采集。
打开西刺代理，有几个页面，果断选择高匿代理。
chrome浏览器右键检查查看network，不难发现，每个ip地址都在td标签中，对于我们来说就简单许多了，初步的想法就是获取所有的ip，然后校验可用性，不可用就剔除。
定义匹配规则
import re ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>') # 匹配ip port_compile = re.compile(r'<td>(\d+)</td>') # 匹配端口
2.校验 这里我使用淘宝ip地址库检验可用性
2.1、关于淘宝ip地址库
目前提供的服务包括：
我们的优势：
2.2、接口说明
请求接口（get）：
ip.taobao.com/service/get…
例：
响应信息：
（json格式的）国家 、省（自治区或直辖市）、市（县）、运营商
返回数据格式：
我要评论
{"code":0,"data":{"ip":"210.75.225.254","country":"\u4e2d\u56fd","area":"\u534e\u5317",
"region":"\u5317\u4eac\u5e02","city":"\u5317\u4eac\u5e02","county":"","isp":"\u7535\u4fe1",
"country_id":"86","area_id":"100000","region_id":"110000","city_id":"110000",
"county_id":"-1","isp_id":"100017"}}
其中code的值的含义为，0：成功，1：失败。
注意：为了保障服务正常运行，每个用户的访问频率需小于10qps。
我们先通过浏览器测试一下
输入地址
再次输入一个地址
代码操作
import requests
check_api = "http://ip.taobao.com/service/getipinfo2.php?ip="
api = check_api + ip
try:
response = requests.get(url=api, headers=api_headers, timeout=2)
print("ip：%s 可用" % ip)
except exception as e:
print("此ip %s 已失效：%s" % (ip, e))
3.代码
代码中加入了异常处理，其实自己手写的demo写不写异常处理都可以，但是为了方便其他人调试，建议在可能出现异常的地方加入异常处理。
import requests
import re
import random
from bs4 import beautifulsoup
ua_list = [
"mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/72.0.3626.109 safari/537.36",
"mozilla/5.0 (x11; linux x86_64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.75 safari/537.36",
"mozilla/5.0 (macintosh; intel mac os x 10_13_6) applewebkit/537.36 (khtml, like gecko) chrome/72.0.3626.119 safari/537.36",
"mozilla / 5.0(windows nt 6.1;wow64) applewebkit / 537.36(khtml, likegecko) chrome / 45.0.2454.101safari / 537.36"
]
def ip_parse_xici(page):
"""
:param page: 采集的页数
:return:
"""
ip_list = []
for pg in range(1, int(page)):
url = 'http://www.xicidaili.com/nn/' + str(pg)
user_agent = random.choice(ua_list)
my_headers = {
'accept': 'text/html, application/xhtml+xml, application/xml;',
'accept-encoding': 'gzip, deflate, sdch',
'accept-language': 'zh-cn,zh;q=0.8',
'referer': 'http: // www.xicidaili.com/nn',
'user-agent': user_agent
}
try:
r = requests.get(url, headers=my_headers)
soup = beautifulsoup(r.text, 'html.parser')
except requests.exceptions.connectionerror:
print('connectionerror')
else:
data = soup.find_all('td')
# 定义ip和端口pattern规则
ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>') # 匹配ip
port_compile = re.compile(r'<td>(\d+)</td>') # 匹配端口
ips = re.findall(ip_compile, str(data)) # 获取所有ip
ports = re.findall(port_compile, str(data)) # 获取所有端口
check_api = "http://ip.taobao.com/service/getipinfo2.php?ip="
for i in range(len(ips)):
if i < len(ips):
ip = ips[i]
api = check_api + ip
api_headers = {
'user-agent': user_agent
}
try:
response = requests.get(url=api, headers=api_headers, timeout=2)
print("ip：%s 可用" % ip)
except exception as e:
print("此ip %s 已失效：%s" % (ip, e))
del ips[i]
del ports[i]
ips_usable = ips
ip_list += [':'.join(n) for n in zip(ips_usable, ports)] # 列表生成式
print('第{}页ip采集完成'.format(pg))
print(ip_list)
if __name__ == '__main__':
xici_pg = input("请输入需要采集的页数：")
ip_parse_xici(page=xici_pg)
运行代码：
4.为你的爬虫加入代理ip
建议大家可以把采集的ip存入数据库，这样每次爬虫的时候直接调用即可，顺便提一下代码中怎么加入代理ip。
import requests
url = 'www.baidu.com'
headers = {
"user-agent": "mozilla/5.0 (macintosh; intel mac os x 10_13_6) applewebkit/537.36 (khtml, like gecko) chrome/72.0.3626.119 safari/537.36",
}
proxies = {
"http": "http://111.177.181.44:9999",
# "https": "https://111.177.181.44:9999",
}
res = requests.get(url=url, headers=headers, proxies=proxies)
好了，妈妈再也不担心我爬虫被封了
以上所述是小编给大家介绍的爬虫被封的问题详解整合，希望对大家有所帮助
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
新手学习Python2和Python3中print不同的用法
Python基于os.environ从windows获取环境变量
网友评论