Python爬虫常用的小技巧-设置代理IP

在学习 Python 爬虫的时候,经常会遇见所要爬取的网站采取了反爬取技术导致爬取失败。高强度、高效率地爬取网页信息常常会给网站服务器带来巨大压力,所以同一个 IP 反复爬取同一个网页,就很可能被封,这里讲述一个爬虫技巧,设置代理 IP

这里介绍一下免费获取代理 IP 的方法,这个方法的优点就是免费,但是缺点就是爬取后存在很多不能用的

IP 地址取自国内髙匿代理 IP 网站,西刺代理,我们爬取首页 IP 地址就足够一般使用,或者你也可以爬取第一页,第二页…的

配置环境

  • 安装 requests 库
  • 安装 bs4 库
  • 安装 lxml 库

具体代码

话不多说直接上代码吧

from bs4 import BeautifulSoup
import requests
import random

def get_ip_list(url, headers):
    web_data = requests.get(url, headers=headers)
    soup = BeautifulSoup(web_data.text, 'lxml')
    ips = soup.find_all('tr')
    ip_list = []
    for i in range(1, len(ips)):
        ip_info = ips[i]
        tds = ip_info.find_all('td')
        ip_list.append(tds[1].text + ':' + tds[2].text)
    return ip_list

def get_random_ip(ip_list):
    proxy_list = []
    for ip in ip_list:
        proxy_list.append('http://' + ip)
    proxy_ip = random.choice(proxy_list)
    proxies = {'http': proxy_ip}
    return proxies

if __name__ == '__main__':
    url = 'http://www.xicidaili.com/nn/'
    headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1312.60 Safari/537.17'
    }
    ip_list = get_ip_list(url, headers=headers)
    proxies = get_random_ip(ip_list)
    print(proxies)

函数 get_ip_list(url, headers)传入 url 和 headers,最后返回一个 IP 列表,列表的元素类似 122.114.31.177:808 格式,这个列表包括国内髙匿代理 IP 网站首页所有 IP 地址和端口

函数 get_random_ip(ip_list)传入第一个函数得到的列表,返回一个随机的 proxies,这个 proxies 可以传入到 requests 的 get 方法中,这样就可以做到每次运行都使用不同的 IP 访问被爬取的网站,有效地避免了真实 IP 被封的风险

proxies 的格式是一个字典:{‘http’: ‘http://122.114.31.177:808‘},可以将下面的执行也封装为方法

对于抓取 IP 这个,西刺代理的服务器做了反爬处理,如果你频繁去抓取的话,服务器会主动返回 503 错误,提示 block,所以在请求的时候可以先一次请求完保存一个文件,来读取这个文件,或者爬取一个 ip 使用几分钟后,再去爬取一次,相当于加一个定时功能

代理 IP 的使用

运行上面的代码会得到一个随机的 proxies,把它直接传入 requests 的 get 方法中即可

res = requests.get(url, headers=headers, proxies=proxies)

3 条评论

发表评论

*