詳解爬蟲被封的問題

發(fā)布時間：2020-09-04 09:08:17 來源：腳本之家閱讀：154 作者：一只寫程序的猿欄目：開發(fā)技術(shù)

如果你在爬蟲過程中有遇到“您的請求太過頻繁，請稍后再試”，或者說代碼完全正確，可是爬蟲過程中突然就訪問不了，那么恭喜你，你的爬蟲被對方識破了，輕則給予友好提示警告，嚴(yán)重的可能會對你的ip進(jìn)行封禁，所以代理ip那就尤為重要了。今天我們就來談一下代理IP，去解決爬蟲被封的問題。

網(wǎng)上有許多代理ip，免費的、付費的。大多數(shù)公司爬蟲會買這些專業(yè)版，對于普通人來說，免費的基本滿足我們需要了，不過免費有一個弊端，時效性不強，不穩(wěn)定，所以我們就需要對采集的ip進(jìn)行一個簡單的驗證。

1.目標(biāo)采集

本文主要針對西刺代理，這個網(wǎng)站很早之前用過，不過那個時候它還提供免費的api，現(xiàn)在api暫不提供了，我們就寫個簡單的爬蟲去采集。

打開西刺代理，有幾個頁面，果斷選擇高匿代理。

詳解爬蟲被封的問題

Chrome瀏覽器右鍵檢查查看network，不難發(fā)現(xiàn)，每個ip地址都在td標(biāo)簽中，對于我們來說就簡單許多了，初步的想法就是獲取所有的ip，然后校驗可用性，不可用就剔除。

詳解爬蟲被封的問題

定義匹配規(guī)則

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.校驗這里我使用淘寶ip地址庫檢驗可用性

2.1、關(guān)于淘寶IP地址庫

目前提供的服務(wù)包括：

1. 根據(jù)用戶提供的IP地址，快速查詢出該IP地址所在的地理信息和地理相關(guān)的信息，包括國家、省、市和運營商。
2. 用戶可以根據(jù)自己所在的位置和使用的IP地址更新我們的服務(wù)內(nèi)容。

我們的優(yōu)勢：

1. 提供國家、省、市、縣、運營商全方位信息，信息維度廣，格式規(guī)范。
2. 提供完善的統(tǒng)計分析報表，省準(zhǔn)確度超過99.8%，市準(zhǔn)確度超過96.8%，數(shù)據(jù)質(zhì)量有保障。

2.2、接口說明

請求接口（GET）：
ip.taobao.com/service/get…
例：http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44
響應(yīng)信息：
（json格式的）國家、省（自治區(qū)或直轄市）、市（縣）、運營商
返回數(shù)據(jù)格式：

{"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的值的含義為，0：成功，1：失敗。
注意：為了保障服務(wù)正常運行，每個用戶的訪問頻率需小于10qps。
我們先通過瀏覽器測試一下

輸入地址http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44

詳解爬蟲被封的問題

再次輸入一個地址http://ip.taobao.com/service/getIpInfo2.php?ip=112.85.168.98

詳解爬蟲被封的問題

代碼操作

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.代碼
代碼中加入了異常處理，其實自己手寫的demo寫不寫異常處理都可以，但是為了方便其他人調(diào)試，建議在可能出現(xiàn)異常的地方加入異常處理。

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: 采集的頁數(shù)
  :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')
      # 定義IP和端口Pattern規(guī)則
      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)) # 獲取所有IP

      ports = re.findall(port_compile, str(data)) # 獲取所有端口
      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{}頁ip采集完成'.format(pg))
  print(ip_list)


if __name__ == '__main__':
  xici_pg = input("請輸入需要采集的頁數(shù)：")
  ip_parse_xici(page=xici_pg)

運行代碼：

詳解爬蟲被封的問題

4.為你的爬蟲加入代理ip

建議大家可以把采集的ip存入數(shù)據(jù)庫，這樣每次爬蟲的時候直接調(diào)用即可，順便提一下代碼中怎么加入代理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，媽媽再也不擔(dān)心我爬蟲被封了

以上所述是小編給大家介紹的爬蟲被封的問題詳解整合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對億速云網(wǎng)站的支持！

向AI問一下細(xì)節(jié)

詳解爬蟲被封的問題

猜你喜歡

最新資訊

相關(guān)推薦

相關(guān)標(biāo)簽