python爬蟲實戰(zhàn)之制作屬于自己的一個IP代理模塊
一、使用PyChram的正則
首先,小編講的不是爬取ip,而是講了解PyCharm的正則,這里講的正則不是Python的re模塊哈!
而是PyCharm的正則功能,我們在PyChram的界面上按上Ctrl+R,可以發(fā)現,這里出現兩行輸入框
現在如果小編想把如下數據轉換成一個字典存儲
讀者也許會一個一去改,但是小編只需在上述的那兩個輸入框內,輸入一串字符串即可。
只需在第一個輸入框中,輸入(.*) : (.*)
在第二個輸入框中,輸入"$1":"$2",,看看效果如何
之后再給兩端分別一個花括號和取一個字典名稱即可。
二、制作一個隨機User-Agent模塊
反爬措施中,有這樣一條,就是服務器會檢查請求的user-agent參數值,如果檢查的結果為python,那么服務器就知道這是爬蟲,為了避免被服務器發(fā)現這是爬蟲,通常user-agent參數值會設置瀏覽器的值,但是爬取一個網址時,每次都需要查看網址network下面的內容,顯得比較繁瑣,為什么不自定義一個隨機獲取user-agent的值模塊呢?這樣既可以減少查看network帶來的繁瑣,同時還可以避免服務器發(fā)現這是同一個user-agent發(fā)起多次請求。
說了這么多,那么具體怎樣實現呢?
只需調用隨機模塊random的方法choice()即可,這個方法里面的參數類型時列表類型,具體參考代碼如下:
import random class useragent(object): def getUserAgent(self): useragents=[ 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)', ] return random.choice(useragents)
這樣我們就可以隨機得到一個user-agent的值了。
三、最終實踐
3.1 爬取快代理上的ip
接下來,就是最終實踐了,制作屬于自己的IP代理模塊。
那么,從哪里獲取IP呢?小編用的是快代理這個網址,網址鏈接為:https://www.kuaidaili.com/free/inha/1/。
怎樣提取IP呢?小編用的是xpath語法
參考代碼如下:
import requests from crawlers.userAgent import useragent # 導入自己自定義的類,主要作用為隨機取user-agent的值 from lxml import etree url='https://www.kuaidaili.com/free/inha/1/' headers={'user-agent':useragent().getUserAgent()} rsp=requests.get(url=url,headers=headers) HTML=etree.HTML(rsp.text) infos=HTML.xpath("http://table[@class='table table-bordered table-striped']/tbody/tr") for info in infos: print(info.xpath('./td[1]/text()')) # ip print(info.xpath('./td[2]/text()')) # ip對應的端口 列表類型
怎樣爬取多頁呢?分析快代理那個網址,可以發(fā)現https://www.kuaidaili.com/free/inha/{頁數}/ ,花括號里面就是頁數,這個網址總頁數為4038,這里小編只爬取5頁,并且開始頁數?。?,3000)之間的隨機數,但是如果for循環(huán)這個過程,運行結果如下:
原來是請求過快的原因,只需在爬取1頁之后,休眠幾秒鐘即可解決。
3.2 驗證爬取到的ip是否可用
這里直接用百度這個網址作為測試網址,主要代碼為:
url='https://www.baidu.com' headers={'user-agent':useragent().getUserAgent()} proxies={} # ip ,這里只是講一下關鍵代碼,沒有給出具體IP rsp=requests.get(url=url,headers=headers,proxies=proxies,time=0.2) # timeout為超時時間
只需判斷rsp的狀態(tài)碼為200,如果是,把它添加到一個指定的列表中。
具體參考代碼小編已經上傳到Gitee上,鏈接為:ip代理模塊
當然讀者可用把這個文件保存到python\Lib文件夾下面,這樣就可用隨時隨地導入了。
3.3 實戰(zhàn):利用爬取到的ip訪問CSDN博客網址1000次
上述出現那個錯誤,小編上網搜索了一下原因,如下:
我想應該是第1種原因,ip被封,我這里沒有設置超時時間,應該不會出現程序請求速度過快。
四、總結
上述那個ip代理模塊還有很多的不足點,比如用它去訪問一些網址時,不管運行多少次,輸出的結果狀態(tài)碼不會時200,這也正常,畢竟免費的ip并不是每個都能用的。如果要說改進的話,就是多爬取幾個不同ip代理網址,去重,這樣的結果肯定會比上述的那個ip代理模塊要好
到此這篇關于python爬蟲實戰(zhàn)之制作屬于自己的一個IP代理模塊的文章就介紹到這了,更多相關Python IP代理模塊內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
Python Pickling 和 Unpickling 的區(qū)別
Python中的Pickling和Unpickling是與數據序列化和反序列化相關的重要概念,本文主要介紹了Python Pickling和Unpickling的區(qū)別,具有一定的參考價值,感興趣的可以了解一下2023-11-11Python入門教程1. 基本運算【四則運算、變量、math模塊等】
這篇文章主要介紹了Python教程的基本運算,包括四則運算、變量的使用與類型檢測、math模塊等,并附帶了相關說明,代碼備有較為詳盡的說明,便于理解,需要的朋友可以參考下2018-10-10