Python爬蟲技巧---設定代理IP

RainbowJhon發表於2018-07-12
Python爬蟲

在學習Python爬蟲的時候，經常會遇見所要爬取的網站採取了反爬取技術，高強度、高效率地爬取網頁資訊常常會給網站伺服器帶來巨大壓力，所以同一個IP反覆爬取同一個網頁，就很可能被封，這裡講述一個爬蟲技巧，設定代理IP。

（一）配置環境

  • 安裝requests庫
  • 安裝bs4庫
  • 安裝lxml庫

（二）程式碼展示

  1. # IP地址取自國內髙匿代理IP網站：http://www.xicidaili.com/nn/
  2. # 僅僅爬取首頁IP地址就足夠一般使用
  4. from bs4 import BeautifulSoup
  5. import requests
  6. import random
  8. def get_ip_list(url, headers):
  9. web_data = requests.get(url, headers=headers)
  10. soup = BeautifulSoup(web_data.text, 'lxml')
  11. ips = soup.find_all('tr')
  12. ip_list = []
  13. for i in range(1, len(ips)):
  14. ip_info = ips[i]
  15. tds = ip_info.find_all('td')
  16. ip_list.append(tds[1].text + ':' + tds[2].text)
  17. return ip_list
  19. def get_random_ip(ip_list):
  20. proxy_list = []
  21. for ip in ip_list:
  22. proxy_list.append('http://' + ip)
  23. proxy_ip = random.choice(proxy_list)
  24. proxies = {'http': proxy_ip}
  25. return proxies
  27. if __name__ == '__main__':
  28. url = 'http://www.xicidaili.com/nn/'
  29. headers = {
  30. 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'
  31. }
  32. ip_list = get_ip_list(url, headers=headers)
  33. proxies = get_random_ip(ip_list)
  34. print(proxies)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  1. 函式get_ip_list(url, headers)傳入url和headers，最後返回一個IP列表，列表的元素類似42.84.226.65:8888格式，這個列表包括國內髙匿代理IP網站首頁所有IP地址和埠。
  2. 函式get_random_ip(ip_list)傳入第一個函式得到的列表，返回一個隨機的proxies，這個proxies可以傳入到requests的get方法中，這樣就可以做到每次執行都使用不同的IP訪問被爬取的網站，有效地避免了真實IP被封的風險。proxies的格式是一個字典：{‘http’: ‘http://42.84.226.65:8888‘}。

（三）代理IP的使用

執行上面的程式碼會得到一個隨機的proxies，把它直接傳入requests的get方法中即可。

web_data = requests.get(url, headers=headers, proxies=proxies)
  • 1

相關文章