首页>行业动态>爬虫如何使用ip代理抓取网页?
爬虫如何使用ip代理抓取网页?

  爬虫如何使用ip代理抓取网页?当我们抓取网站的一个信息的时候,如果我们访问的时段非常的频繁,很大可能会被被访问的网站检测到从而进行屏蔽,解决这个问题的方法之一就使用代理IP,在我们接入因特网上网的时候,我们的电脑会被分配一个IP,提供给我们试用,而当我们频繁访问一个网站时,该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,这个时候更换IP地址访问是最好的解决方式,多个ip地址进行随机地轮流访问,减少被该网站检测到的概率。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。


爬虫如何使用ip代理抓取网页?


  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、(1)安装opener


  urlib2.install_opener(opener)


  (2)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 <module>


  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"


  """


  使用多个主机中的user_agent信息组成一个列表,当然这里面的user_agent都是残缺的,大家使用时可以自己找


  身边的小伙伴借呦


  """


  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()