Python代理IP爬蟲的新手使用教程

做者：lxiaok

前言

Python爬蟲要經歷爬蟲、爬蟲被限制、爬蟲反限制的過程。固然後續還要網頁爬蟲限制優化，爬蟲再反限制的一系列道高一尺魔高一丈的過程。爬蟲的初級階段，添加headers和ip代理能夠解決不少問題。 本人本身在爬取豆瓣讀書的時候,就覺得爬取次數過多,直接被封了IP.後來就研究了代理IP的問題. (當時不知道什麼狀況,差點心態就崩了...),下面給你們介紹一下我本身代理IP爬取數據的問題,請你們指出不足之處.

問題

這是個人IP被封了,一開始好好的,我還覺得是個人代碼問題了 思路：

從網上查找了一些關於爬蟲代理IP的資料,獲得下面的思路

1. 爬取一些IP,過濾掉不可用.

2. 在requests的請求的proxies參數加入對應的IP.

3. 繼續爬取.

4. 收工

5. 好吧,都是廢話,理論你們都懂,上面直接上代碼...

思路有了,動手起來.

運行環境

Python 3.7, Pycharm

這些須要你們直接去搭建好環境...

準備工做

1. 爬取IP地址的網站(國內高匿代理)

2. 校驗IP地址的網站

3. 你以前被封IP的py爬蟲腳本...

上面的網址看我的的狀況來選取

爬取IP的完整代碼

PS:簡單的使用bs4獲取IP和端口號,沒有啥難度,裏面增長了一個過濾不可用IP的邏輯

關鍵地方都有註釋了

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):
 """請求html頁面信息"""
 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IP地址是否有效
  self.get_available_ip(ip_address, ip_port)
 # 寫入有效文件
 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()複製代碼

使用方法完整代碼

PS: 主要是經過使用隨機的IP來爬取,根據request_status來判斷這個IP是否能夠用.

爲何要這樣判斷?

主要是雖然上面通過了過濾,可是不表明在你爬取的時候是能夠用的,因此仍是得多作一個判斷.

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__':
 """只是爬取了書籍的第一頁,按照評價排序"""
 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:
  """ 整理分析數據 """
  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) 分頁是0 20 40 這樣的
    # type=S是按評價排序
    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 = '書名:<%s>' % info['title'] + ' 書本圖片:' + 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: ', (end_time - start_time).seconds)複製代碼

爲何選擇國內高匿代理!

總結

使用這樣簡單的代理IP,基本上就能夠應付在爬爬爬着被封IP的狀況了.並且沒有使用本身的IP,間接的保護?!?! 你們有其餘的更加快捷的方法，歡迎你們能夠拿出來交流和討論，謝謝。