溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊(cè)×
其他方式登錄
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》

Python代理IP爬蟲(chóng)的新手使用教程

發(fā)布時(shí)間:2020-08-30 14:44:44 來(lái)源:腳本之家 閱讀:190 作者:lxiaok 欄目:開(kāi)發(fā)技術(shù)

前言

Python爬蟲(chóng)要經(jīng)歷爬蟲(chóng)、爬蟲(chóng)被限制、爬蟲(chóng)反限制的過(guò)程。當(dāng)然后續(xù)還要網(wǎng)頁(yè)爬蟲(chóng)限制優(yōu)化,爬蟲(chóng)再反限制的一系列道高一尺魔高一丈的過(guò)程。爬蟲(chóng)的初級(jí)階段,添加headers和ip代理可以解決很多問(wèn)題。

本人自己在爬取豆瓣讀書(shū)的時(shí)候,就以為爬取次數(shù)過(guò)多,直接被封了IP.后來(lái)就研究了代理IP的問(wèn)題.

(當(dāng)時(shí)不知道什么情況,差點(diǎn)心態(tài)就崩了...),下面給大家介紹一下我自己代理IP爬取數(shù)據(jù)的問(wèn)題,請(qǐng)大家指出不足之處.

問(wèn)題

這是我的IP被封了,一開(kāi)始好好的,我還以為是我的代碼問(wèn)題了

Python代理IP爬蟲(chóng)的新手使用教程

思路:

從網(wǎng)上查找了一些關(guān)于爬蟲(chóng)代理IP的資料,得到下面的思路

  1. 爬取一些IP,過(guò)濾掉不可用.
  2. 在requests的請(qǐng)求的proxies參數(shù)加入對(duì)應(yīng)的IP.
  3. 繼續(xù)爬取.
  4. 收工
  5. 好吧,都是廢話,理論大家都懂,上面直接上代碼...

思路有了,動(dòng)手起來(lái).

運(yùn)行環(huán)境

Python 3.7, Pycharm

這些需要大家直接去搭建好環(huán)境...

準(zhǔn)備工作

  1. 爬取IP地址的網(wǎng)站(國(guó)內(nèi)高匿代理)
  2. 校驗(yàn)IP地址的網(wǎng)站
  3. 你之前被封IP的py爬蟲(chóng)腳本...

上面的網(wǎng)址看個(gè)人的情況來(lái)選取

爬取IP的完整代碼

PS:簡(jiǎn)單的使用bs4獲取IP和端口號(hào),沒(méi)有啥難度,里面增加了一個(gè)過(guò)濾不可用IP的邏輯

關(guān)鍵地方都有注釋了

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2018/11/22 
# @Author : liangk
# @Site :
# @File : auto_archive_ios.py
# @Software: PyCharm


import requests
from bs4 import BeautifulSoup
import json


class GetIp(object):
 """抓取代理IP"""

 def __init__(self):
 """初始化變量"""
 self.url = 'http://www.xicidaili.com/nn/'
 self.check_url = 'https://www.ip.cn/'
 self.ip_list = []

 @staticmethod
 def get_html(url):
 """請(qǐng)求html頁(yè)面信息"""
 header = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
 }
 try:
  request = requests.get(url=url, headers=header)
  request.encoding = 'utf-8'
  html = request.text
  return html
 except Exception as e:
  return ''

 def get_available_ip(self, ip_address, ip_port):
 """檢測(cè)IP地址是否可用"""
 header = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
 }
 ip_url_next = '://' + ip_address + ':' + ip_port
 proxies = {'http': 'http' + ip_url_next, 'https': 'https' + ip_url_next}
 try:
  r = requests.get(self.check_url, headers=header, proxies=proxies, timeout=3)
  html = r.text
 except:
  print('fail-%s' % ip_address)
 else:
  print('success-%s' % ip_address)
  soup = BeautifulSoup(html, 'lxml')
  div = soup.find(class_='well')
  if div:
  print(div.text)
  ip_info = {'address': ip_address, 'port': ip_port}
  self.ip_list.append(ip_info)

 def main(self):
 """主方法"""
 web_html = self.get_html(self.url)
 soup = BeautifulSoup(web_html, 'lxml')
 ip_list = soup.find(id='ip_list').find_all('tr')
 for ip_info in ip_list:
  td_list = ip_info.find_all('td')
  if len(td_list) > 0:
  ip_address = td_list[1].text
  ip_port = td_list[2].text
  # 檢測(cè)IP地址是否有效
  self.get_available_ip(ip_address, ip_port)
 # 寫(xiě)入有效文件
 with open('ip.txt', 'w') as file:
  json.dump(self.ip_list, file)
 print(self.ip_list)


# 程序主入口
if __name__ == '__main__':
 get_ip = GetIp()
 get_ip.main()

使用方法完整代碼

PS: 主要是通過(guò)使用隨機(jī)的IP來(lái)爬取,根據(jù)request_status來(lái)判斷這個(gè)IP是否可以用.

為什么要這樣判斷?

主要是雖然上面經(jīng)過(guò)了過(guò)濾,但是不代表在你爬取的時(shí)候是可以用的,所以還是得多做一個(gè)判斷.

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2018/11/22 
# @Author : liangk
# @Site :
# @File : get_douban_books.py
# @Software: PyCharm

from bs4 import BeautifulSoup
import datetime
import requests
import json
import random

ip_random = -1
article_tag_list = []
article_type_list = []


def get_html(url):
 header = {
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'
 }
 global ip_random
 ip_rand, proxies = get_proxie(ip_random)
 print(proxies)
 try:
  request = requests.get(url=url, headers=header, proxies=proxies, timeout=3)
 except:
  request_status = 500
 else:
  request_status = request.status_code
 print(request_status)
 while request_status != 200:
  ip_random = -1
  ip_rand, proxies = get_proxie(ip_random)
  print(proxies)
  try:
   request = requests.get(url=url, headers=header, proxies=proxies, timeout=3)
  except:
   request_status = 500
  else:
   request_status = request.status_code
  print(request_status)
 ip_random = ip_rand
 request.encoding = 'gbk'
 html = request.content
 print(html)
 return html


def get_proxie(random_number):
 with open('ip.txt', 'r') as file:
  ip_list = json.load(file)
  if random_number == -1:
   random_number = random.randint(0, len(ip_list) - 1)
  ip_info = ip_list[random_number]
  ip_url_next = '://' + ip_info['address'] + ':' + ip_info['port']
  proxies = {'http': 'http' + ip_url_next, 'https': 'https' + ip_url_next}
  return random_number, proxies


# 程序主入口
if __name__ == '__main__':
 """只是爬取了書(shū)籍的第一頁(yè),按照評(píng)價(jià)排序"""
 start_time = datetime.datetime.now()
 url = 'https://book.douban.com/tag/?view=type&icn=index-sorttags-all'
 base_url = 'https://book.douban.com/tag/'
 html = get_html(url)
 soup = BeautifulSoup(html, 'lxml')
 article_tag_list = soup.find_all(class_='tag-content-wrapper')
 tagCol_list = soup.find_all(class_='tagCol')

 for table in tagCol_list:
  """ 整理分析數(shù)據(jù) """
  sub_type_list = []
  a = table.find_all('a')
  for book_type in a:
   sub_type_list.append(book_type.text)
  article_type_list.append(sub_type_list)

 for sub in article_type_list:
  for sub1 in sub:
   title = '==============' + sub1 + '=============='
   print(title)
   print(base_url + sub1 + '?start=0' + '&type=S')
   with open('book.text', 'a', encoding='utf-8') as f:
    f.write('\n' + title + '\n')
    f.write(url + '\n')
   for start in range(0, 2):
    # (start * 20) 分頁(yè)是0 20 40 這樣的
    # type=S是按評(píng)價(jià)排序
    url = base_url + sub1 + '?start=%s' % (start * 20) + '&type=S'
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    li = soup.find_all(class_='subject-item')
    for div in li:
     info = div.find(class_='info').find('a')
     img = div.find(class_='pic').find('img')
     content = '書(shū)名:<%s>' % info['title'] + ' 書(shū)本圖片:' + img['src'] + '\n'
     print(content)
     with open('book.text', 'a', encoding='utf-8') as f:
      f.write(content)

 end_time = datetime.datetime.now()
 print('耗時(shí): ', (end_time - start_time).seconds)

為什么選擇國(guó)內(nèi)高匿代理!

Python代理IP爬蟲(chóng)的新手使用教程

總結(jié)

使用這樣簡(jiǎn)單的代理IP,基本上就可以應(yīng)付在爬爬爬著被封IP的情況了.而且沒(méi)有使用自己的IP,間接的保護(hù)?!?!

大家有其他的更加快捷的方法,歡迎大家可以拿出來(lái)交流和討論,謝謝。

好了,以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,謝謝大家對(duì)億速云的支持。

向AI問(wèn)一下細(xì)節(jié)

免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI