通過Python爬蟲代理IP快速增加博客閱讀量

更新時間：2016年12月14日 10:22:47 作者：Data&Truth

本文主要對通過Python爬蟲代理IP快速增加博客閱讀量的方法進(jìn)行分析介紹。具有很好的參考價值，需要的朋友一起來看下吧

寫在前面

題目所說的并不是目的，主要是為了更詳細(xì)的了解網(wǎng)站的反爬機(jī)制，如果真的想要提高博客的閱讀量，優(yōu)質(zhì)的內(nèi)容必不可少。

了解網(wǎng)站的反爬機(jī)制

一般網(wǎng)站從以下幾個方面反爬蟲：

1. 通過Headers反爬蟲

從用戶請求的Headers反爬蟲是最常見的反爬蟲策略。很多網(wǎng)站都會對Headers的User-Agent進(jìn)行檢測，還有一部分網(wǎng)站會對Referer進(jìn)行檢測（一些資源網(wǎng)站的防盜鏈就是檢測Referer）。

如果遇到了這類反爬蟲機(jī)制，可以直接在爬蟲中添加Headers，將瀏覽器的User-Agent復(fù)制到爬蟲的Headers中；或者將Referer值修改為目標(biāo)網(wǎng)站域名。對于檢測Headers的反爬蟲，在爬蟲中修改或者添加Headers就能很好的繞過。

2. 基于用戶行為反爬蟲

還有一部分網(wǎng)站是通過檢測用戶行為，例如同一IP短時間內(nèi)多次訪問同一頁面，或者同一賬戶短時間內(nèi)多次進(jìn)行相同操作。

大多數(shù)網(wǎng)站都是前一種情況，對于這種情況，使用IP代理就可以解決。我們可以將代理IP檢測之后保存在文件當(dāng)中,但這種方法并不可取，代理IP失效的可能性很高，因此從專門的代理IP網(wǎng)站實(shí)時抓取，是個不錯的選擇。

對于第二種情況，可以在每次請求后隨機(jī)間隔幾秒再進(jìn)行下一次請求。有些有邏輯漏洞的網(wǎng)站，可以通過請求幾次，退出登錄，重新登錄，繼續(xù)請求來繞過同一賬號短時間內(nèi)不能多次進(jìn)行相同請求的限制。

還有針對cookies，通過檢查cookies來判斷用戶是否是有效用戶，需要登錄的網(wǎng)站常采用這種技術(shù)。更深入一點(diǎn)的還有，某些網(wǎng)站的登錄會動態(tài)更新驗(yàn)證，如推酷登錄時，會隨機(jī)分配用于登錄驗(yàn)證的authenticity_token，authenticity_token會和用戶提交的登錄名和密碼一起發(fā)送回服務(wù)器。

3. 基于動態(tài)頁面的反爬蟲

有的時候?qū)⒛繕?biāo)頁面抓取下來，發(fā)現(xiàn)關(guān)鍵的信息內(nèi)容空白一片，只有框架代碼，這是因?yàn)樵摼W(wǎng)站的信息是通過用戶Post的XHR動態(tài)返回內(nèi)容信息，解決這種問題的方法就是通過開發(fā)者工具（FireBug等）對網(wǎng)站流進(jìn)行分析，找到單獨(dú)的內(nèi)容信息request（如Json），對內(nèi)容信息進(jìn)行抓取，獲取所需內(nèi)容。

更復(fù)雜一點(diǎn)的還有對動態(tài)請求加密的，參數(shù)無法解析，也就無法進(jìn)行抓取。這種情況下，可以通過Mechanize，selenium RC，調(diào)用瀏覽器內(nèi)核，就像真實(shí)使用瀏覽器上網(wǎng)那樣抓取，可以最大限度的抓取成功，只不過效率上會打些折扣。筆者測試過，用urllib抓取拉勾網(wǎng)招聘信息30頁所需時間為三十多秒，而用模擬瀏覽器內(nèi)核抓取需要2——3分鐘。

4. 限定某些IP訪問

免費(fèi)的代理IP可以從很多網(wǎng)站獲取到，既然爬蟲可以利用這些代理IP進(jìn)行網(wǎng)站抓取，網(wǎng)站也可以利用這些代理IP反向限制，通過抓取這些IP保存在服務(wù)器上來限制利用代理IP進(jìn)行抓取的爬蟲。

進(jìn)入正題

好了，現(xiàn)在實(shí)際操作一下，編寫一個通過代理IP訪問網(wǎng)站的爬蟲。

首先獲取代理IP，用來抓取。

def Get_proxy_ip():
 headers = {
 'Host': 'www.xicidaili.com',
 'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
 'Accept': r'application/json, text/javascript, */*; q=0.01',
 'Referer': r'http://www.xicidaili.com/', 
 }
 req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers) #發(fā)布代理IP的網(wǎng)站
 response = request.urlopen(req)
 html = response.read().decode('utf-8')
 proxy_list = []
 ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
 port_list = re.findall(r'<td>\d+</td>',html)
 for i in range(len(ip_list)):
 ip = ip_list[i]
 port = re.sub(r'<td>|</td>', '', port_list[i])
 proxy = '%s:%s' %(ip,port)
 proxy_list.append(proxy)
 return proxy_list

順帶一提，有些網(wǎng)站會通過檢查代理IP的真實(shí)IP來限制爬蟲抓取。這里就要稍微提一下代理IP的知識。

代理IP里的“透明”“匿名”“高匿”分別是指？

透明代理的意思是客戶端根本不需要知道有代理服務(wù)器的存在，但是它傳送的仍然是真實(shí)的IP。使用透明IP，就無法繞過通過一定時間內(nèi)IP訪問次數(shù)的限制。

普通匿名代理能隱藏客戶機(jī)的真實(shí)IP，但會改變我們的請求信息，服務(wù)器端有可能會認(rèn)為我們使用了代理。不過使用此種代理時，雖然被訪問的網(wǎng)站不能知道你的ip地址，但仍然可以知道你在使用代理，這樣的IP就會被網(wǎng)站禁止訪問。

高匿名代理不改變客戶機(jī)的請求，這樣在服務(wù)器看來就像有個真正的客戶瀏覽器在訪問它，這時客戶的真實(shí)IP是隱藏的，網(wǎng)站就不會認(rèn)為我們使用了代理。

綜上所述，爬蟲代理IP最好使用“高匿IP”

user_agent_list包含了目前主流瀏覽器請求的RequestHeaders的user-agent，通過它我們可以模仿各類瀏覽器的請求。

user_agent_list = [
 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]

通過設(shè)定隨機(jī)等待時間來訪問網(wǎng)站，可以繞過某些網(wǎng)站對于請求間隔的限制。

def Proxy_read(proxy_list, user_agent_list, i):
 proxy_ip = proxy_list[i]
 print('當(dāng)前代理ip：%s'%proxy_ip)
 user_agent = random.choice(user_agent_list)
 print('當(dāng)前代理user_agent：%s'%user_agent)
 sleep_time = random.randint(1,3)
 print('等待時間：%s s' %sleep_time)
 time.sleep(sleep_time) #設(shè)置隨機(jī)等待時間
 print('開始獲取')
 headers = {
 'Host': 's9-im-notify.csdn.net',
 'Origin':'http://blog.csdn.net',
 'User-Agent': user_agent,
 'Accept': r'application/json, text/javascript, */*; q=0.01',
 'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
 }
 proxy_support = request.ProxyHandler({'http':proxy_ip})
 opener = request.build_opener(proxy_support)
 request.install_opener(opener)
 req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
 try:
 html = request.urlopen(req).read().decode('utf-8')
 except Exception as e:
 print('******打開失??！******')
 else:
 global count
 count +=1
 print('OK!總計(jì)成功%s次！'%count)

以上就是爬蟲使用代理的相關(guān)知識點(diǎn)，雖然還很淺顯，但大部分場景是可以應(yīng)付的了的。

附上源碼

#! /usr/bin/env python3
from urllib import request
import random
import time
import lxml
import re
user_agent_list = [
 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]
count = 0
def Get_proxy_ip():
 headers = {
 'Host': 'www.xicidaili.com',
 'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
 'Accept': r'application/json, text/javascript, */*; q=0.01',
 'Referer': r'http://www.xicidaili.com/',
 }
 req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers)
 response = request.urlopen(req)
 html = response.read().decode('utf-8')
 proxy_list = []
 ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
 port_list = re.findall(r'<td>\d+</td>',html)
 for i in range(len(ip_list)):
 ip = ip_list[i]
 port = re.sub(r'<td>|</td>', '', port_list[i])
 proxy = '%s:%s' %(ip,port)
 proxy_list.append(proxy)
 return proxy_list
def Proxy_read(proxy_list, user_agent_list, i):
 proxy_ip = proxy_list[i]
 print('當(dāng)前代理ip：%s'%proxy_ip)
 user_agent = random.choice(user_agent_list)
 print('當(dāng)前代理user_agent：%s'%user_agent)
 sleep_time = random.randint(1,3)
 print('等待時間：%s s' %sleep_time)
 time.sleep(sleep_time)
 print('開始獲取')
 headers = {
 'Host': 's9-im-notify.csdn.net',
 'Origin':'http://blog.csdn.net',
 'User-Agent': user_agent,
 'Accept': r'application/json, text/javascript, */*; q=0.01',
 'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
 }
 proxy_support = request.ProxyHandler({'http':proxy_ip})
 opener = request.build_opener(proxy_support)
 request.install_opener(opener)
 req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
 try:
 html = request.urlopen(req).read().decode('utf-8')
 except Exception as e:
 print('******打開失敗！******')
 else:
 global count
 count +=1
 print('OK!總計(jì)成功%s次！'%count)
if __name__ == '__main__':
 proxy_list = Get_proxy_ip()
 for i in range(100):
 Proxy_read(proxy_list, user_agent_list, i)

以上就是本文的全部內(nèi)容，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助，同時也希望多多支持腳本之家！

您可能感興趣的文章: