您好,登錄后才能下訂單哦!
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
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
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
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!
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。
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。