Python爬虫中爬取代理IP的方法是什么

这篇文章将为大家详细讲解有关Python爬虫中爬取代理IP的方法是什么,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。

创新互联建站专注为客户提供全方位的互联网综合服务,包含不限于成都网站设计、成都做网站、承德网络推广、小程序开发、承德网络营销、承德企业策划、承德品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等,从售前售中售后,我们都将竭诚为您服务,您的肯定,是我们最大的嘉奖;创新互联建站为所有大学生创业者提供承德建站搭建服务,24小时服务热线:18980820575,官方网址:www.cdcxhl.com

在我们爬虫的过程中,难免会遇到比较恶心的网站(安全性较高),来阻止我们的爬虫,跑着跑着,就断掉了!报错了啊!丢失连接之类的。幸幸苦苦的抓了半天又得从头来,心累啊!

这就是网站的反爬虫在起作用了。

一般来说我们会遇到网站反爬虫策略下面几点:

限制IP访问频率,超过频率就断开连接。(这种方法解决办法就是,降低爬虫的速度在每个请求前面加上time.sleep;或者不停的更换代理IP,这样就绕过反爬虫机制啦!)

后台对访问进行统计,如果单个userAgent访问超过阈值,予以封锁。(效果出奇的棒!不过误伤也超级大,一般站点不会使用,不过我们也考虑进去。

还有针对于cookies的 (这个解决办法更简单,一般网站不会用)

有些网站会监测你的IP,如果在某一时间段内,你的IP多次访问网页,就会封锁你的IP,过段时间再放出来。

对于第一种限制IP的,我们怎么来防止这种反爬虫呢?(与本篇博客无关,只是想挑起大家的好奇心)

对咯,就是用代理IP,OK,想要获取到代理IP,就要找到多个IP,所以我们今天先做第一步,把代理ip网站的所有IP给抓取下来;

我这里找到的一个网站是http://www.66ip.cn/,个人感觉还不错,反正是用来练手,嘿嘿~~~

步骤1、爬取整个网页

我们的思路是:先把网页所有内容爬取下来,然后再提取我们需要的信息。

首先按照惯例我们导入模块:

# -*- coding:utf-8 -*-
import bs4
import urllib
from bs4 import BeautifulSoup
import urllib2

我们写一个基本的请求网页并返回response的函数:

# -*- coding:utf-8 -*-
import bs4
import urllib
from bs4 import BeautifulSoup
import urllib2
#构造网页请求函数
def gethtml(url):
    request = urllib2.Request(url)
    response = urllib2.urlopen(request)
    html = response.read()
    return html

哈哈,简单吧!

这只是基本的,其实学过爬虫的都知道,很多网站都都会拒绝非浏览器的请求的、怎么区分的呢?就是你发起的请求是否包含正常的User-Agent 这玩意儿长啥样儿?就下面这样(如果不一样 请按一下F5)

Python爬虫中爬取代理IP的方法是什么

requests的请求的User-Agent 大概是这样 python-requests/2.3.0 CPython/2.6.6 Windows/7 这个不是正常的User-Agent、所以我们得自己造一个来欺骗服务器(requests又一个headers参数能帮助我们伪装成浏览器哦!不知道的小哥儿 一定是没有看官方文档!在这里request官方文档这样很不好诶!o(一︿一+)o),让他以为我们是真的浏览器。

所以我们修改一下代码:

# -*- coding:utf-8 -*-
import bs4
import urllib
from bs4 import BeautifulSoup
import urllib2
#构造网页请求函数
def gethtml(url):
    user_agent = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 
    Safari/537.36"
    headers = {"User-Agent":user_agent}
    request = urllib2.Request(url,headers = headers)
    response = urllib2.urlopen(request)
    html = response.read()
    return html

好了,接下来就要写主函数了~~撸起袖子开干!!

步骤2、打开网站,查看IP所处位置

按F12

Python爬虫中爬取代理IP的方法是什么

发现所有IP信息都在tr标签下的td节点中。OK,很好,非常好,非常方便~~

现在我们要做的就是找到这个标签。

先用BeautifulSoup解析网页

sp = bs4.BeautifulSoup(html_doc,'html.parser',from_encoding="utf-8")
trs = sp.find_all("tr")
for tr in trs:  # tr是每一行
    for a in tr.children:
        # 发现a的编码方式是unicode,所以讲unicode转成utf-8字符串
        ip_val = a.string.encode('utf-8').strip()
        print ip_val

好了,上面我们已经打印出来了td标签里面的所有内容。可是我们这里只想要IP怎么办呢??

好办,我们来判断抓取到的数据是不是IP,大家都知道,IP是有四位整数,通过点(.)来分隔的。恩,找到规律后,我们来定义一个函数来判断IP。

def is_invalid_ip4(ip):
    ip = ip.strip()
    # ip4格式:a.b.c.d
    its = [v for v in ip.split('.')]
    # .分数不对
    if len(its) != 4:
        return False
    # 值不是数字
    for v in its:
        if not v.isdigit():
            return False
    return True

好了,我们来调用这个函数,修改上面的代码:

#使用beautifulsoup来解析网页
sp = bs4.BeautifulSoup(html_doc,'html.parser',from_encoding="utf-8")
trs = sp.find_all("tr")
#先定义一个空列表,用于存放爬取到的ip
iplist = []
for tr in trs:
    # tr是每一行
    for a in tr.children:
        # 发现a的编码方式是unicode,所以讲unicode转成utf-8字符串
        ip_val = a.string.encode('utf-8').strip()
        #调用判断有效ip函数
        if is_invalid_ip4(ip_val):
            iplist.append(ip_val)
            print ip_val
        #这里发现ip在tr的第一列,所以我们每次取到第一个数据后跳出
        break
print '-'*32#我是分隔符

好了,这样我们就吧爬取到的IP放进了iplist这个列表里。

怎么样,很简单吧~~

步骤3、整理代码

那假如我们想要很多条IP怎么办,一页根本不够啊,OK,统统满足你——爬取多个网页的IP,就要不停的请求网页,那这个网址是变化的怎么办?

好吧,我又帮你找到规律了,只需要将网址的index改变就可以了。好吧,

完整代码:

# -*- coding:utf-8 -*-
import bs4
import urllib
from bs4 import BeautifulSoup
import urllib2
import requests
# 网址:http://www.66ip.cn/index.html
#这里看出每一页的网址由index下标表示,即index是几就代表第几页
#我这里只爬取五个,你随意啊
def main():
    #先定义一个空列表,用于存放爬取到的ip
    iplist = []
    for i in range(1,5):
        #构造url
        s = ".html"
        url = "http://www.66ip.cn/"
        #调用网页请求函数
        cur_url = url + str(i) + s
        html_doc = gethtml(cur_url)
        #使用beautifulsoup来解析网页
        sp = bs4.BeautifulSoup(html_doc,'html.parser',from_encoding="utf-8")
        trs = sp.find_all("tr")
        for tr in trs:
            # tr是每一行
            for a in tr.children:
                #发现a的编码方式是unicode,所以讲unicode转成utf-8字符串
                ip_val = a.string.encode('utf-8').strip()
                #调用判断有效ip函数
                if is_invalid_ip4(ip_val):
                    iplist.append(ip_val)
                    print ip_val
                #这里发现ip在tr的第一列,所以我们每次取到第一个数据后跳出
                break
        print '-'*32#我是分隔符
def is_invalid_ip4(ip):
    ip = ip.strip()
    # ip4格式:a.b.c.d
    its = [v for v in ip.split('.')]
    # .分数不对
    if len(its) != 4:
        return False
    # 值不是数字
    for v in its:
        if not v.isdigit():
            return False
    return True
#构造网页请求函数
def gethtml(url):
    user_agent = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 
    Safari/537.36"
    headers = {"User-Agent":user_agent}
    request = urllib2.Request(url,headers = headers)
    response = urllib2.urlopen(request)
    html = response.read()
    return html
if __name__ == "__main__":
    main()

完美!!

结果如下:

Python爬虫中爬取代理IP的方法是什么

关于Python爬虫中爬取代理IP的方法是什么就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。


文章题目:Python爬虫中爬取代理IP的方法是什么
网页链接:http://scyanting.com/article/gsjddd.html