python用代理ip抓取网页的方法是什么

小编给大家分享一下python用代理ip抓取网页的方法是什么,希望大家阅读完这篇文章后大所收获,下面让我们一起去探讨吧!

网站建设哪家好,找成都创新互联公司!专注于网页设计、网站建设、微信开发、微信小程序定制开发、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了宿迁免费建站欢迎大家使用!

在抓取一个网站的信息时,如果我们进行频繁的访问,就很有可能被网站检测到而被屏蔽,解决这个问题的方法就是使用ip代理 。在我们接入因特网进行上网时,我们的电脑都会被分配一个全球唯一地ip地址供我们使用,而当我们频繁访问一个网站时,网站也正是因为发现同一个ip地址访问多次而进行屏蔽的,所以这时候如果我们使用多个ip地址进行随机地轮流访问,这样被网站检测的概率就很小了,这时候如果我们再使用多个不同的headers,这时候就有多个ip+主机的组合,访问时被发现的概率又进一步减小了。

关于代码中ip代理的使用,下面介绍一下:

步骤:

1、urllib2库中的ProxyHandler类,通过此类可以使用ip代理访问网页

proxy_support=urllib2.ProxyHandler({}),其中参数是一个字典{‘类型':'代理ip:端口号'}

2、定制、创建一个opener

opener=urllib2.build_opener(proxy_support)

3、安装opener

urlib2.install_opener(opener)

调用默认的opener

opener.open(url)

对于没有设置反爬虫机制的网站,我们只需要直接像上面引入ProxyHandler类进行处理,下面以访问csdn主页为例:

import urllib  
  
url="http://www.csdn.net/"  
for i in range(0,10000):  
    html=urllib.urlopen(url)  
    print html.info()  
    print i

当使用上述代码时,当循环到20时,就会出现下面的错误。

Traceback (most recent call last):
  File "C:/Users/lenovo/PycharmProjects/untitled1/jt2/__init__.py", line 19, in 
    html=urllib.urlopen(url)
  File "C:\Python27\lib\urllib.py", line 87, in urlopen
    return opener.open(url)
  File "C:\Python27\lib\urllib.py", line 213, in open
    return getattr(self, name)(url)
  File "C:\Python27\lib\urllib.py", line 350, in open_http
    h.endheaders(data)
  File "C:\Python27\lib\httplib.py", line 997, in endheaders
    self._send_output(message_body)
  File "C:\Python27\lib\httplib.py", line 850, in _send_output
    self.send(msg)
  File "C:\Python27\lib\httplib.py", line 812, in send
    self.connect()
  File "C:\Python27\lib\httplib.py", line 793, in connect
    self.timeout, self.source_address)
  File "C:\Python27\lib\socket.py", line 571, in create_connection
    raise err
IOError: [Errno socket error] [Errno 10060]

这就是因为我们使用了计算机的单一ip进行频繁访问而被检测出来的。

下面是使用了ip代理的代码:

import urllib2  
import random  
  
def getHtml(url,proxies):  
    random_proxy = random.choice(proxies)  
    proxy_support = urllib2.ProxyHandler({"http":random_proxy})  
    opener = urllib2.build_opener(proxy_support)  
    urllib2.install_opener(opener)  
    html=urllib2.urlopen(url)  
    return html  
  
url="http://www.csdn.net/"  
proxies=["101.53.101.172:9999","171.117.93.229:8118","119.251.60.37:21387","58.246.194.70:8080"  
        "115.173.218.224:9797","110.77.0.70:80"]  
for i in range(0,10000):  
    try:  
        html=getHtml(url,proxies)  
        print html.info()     #打印网页的头部信息,只是为了展示访问到了网页,可以自己修改成想显示的内容  
        print i  
    except:  
        print "出现故障"

 这个代码我测试是在1096次时被检测到了,要知道我的列表中只有6个ip,如果我们增加ip的个数,那么被发现的概率是不是又会更低了。对于上面的例子中的ip代理,有可能在过了一段时间后便不能用了,这个需要自己到网上搜索最新的ip代理,进行替换。还有程序中的异常处理是为了使程序能够处理ip代码访问时出现问题的情况,因为有些ip代理在访问的时候会出现故障的,这样做了可以使程序更加健壮。

对于有反爬虫机制的网页,下面还是以访问csdn中的博客为例:

#coding:utf-8  
import urllib2  
import random  
  
def get_html(url,headers,proxies):  
  
    random_userAget = random.choice(headers)  
    random_proxy = random.choice(proxies)  
  
    #下面是模拟浏览器进行访问  
    req = urllib2.Request(url)  
    req.add_header("User-Agent", random_userAget)  
    req.add_header("GET", url)  
    req.add_header("Host", "blog.csdn.net")  
    req.add_header("Referer", "http://blog.csdn.net/?&page=6")  
  
    #下面是使用ip代理进行访问  
    proxy_support = urllib2.ProxyHandler({"http":random_proxy})  
    opener = urllib2.build_opener(proxy_support)  
    urllib2.install_opener(opener)    
  
    html = urllib2.urlopen(req)  
    return html  
  
url = "http://blog.csdn.net/?&page=3"  
user_agents = [  
    "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWe。。。hrome/45.0.2454.101 Safari/537.36",  
    "Mozilla / 5.0(Windows NT 6.1) AppleWebKit / 537.。。。。likeGecko) Chrome / 45.0.2454.101Safari/ 537.36",  
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit。。。。。Gecko) Chrome/50.0.2661.102 Safari/537.36",  
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.3。。。。ML, like Gecko) Chrome/49.0.2623.112 Safari
    /537.36",  
    "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) 。。。WebKit/537.36 (KHTML, like Gecko) Chrome/
    46.0.2486.0 Safari/537.36 Edge/13.10586",  
    "User-Agent: Mozilla/5.0 (Windows NT 10.0) AppleWebKi。。。。。36 (KHTML, like Gecko) Chrome/46.0.2486.0 
    Safari/537.36 Edge/13.10586",  
    "Mozilla/5.0 (Windows NT 10.0; WOW64) Apple。。。。。KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36"  
    ]  
#网上的ip有可能是不能用的,需要多做尝试  
myproxies=["220.189.249.80:80","124.248.32.43:80"]  
html = get_html(url,user_agents,myproxies)  
print html.read()

看完了这篇文章,相信你对python用代理ip抓取网页的方法是什么有了一定的了解,想了解更多相关知识,欢迎关注创新互联行业资讯频道,感谢各位的阅读!


网站栏目:python用代理ip抓取网页的方法是什么
转载来源:http://scyanting.com/article/igeehg.html