通過(guò)Python爬蟲(chóng)代理IP快速增加博客閱讀量
寫(xiě)在前面
題目所說(shuō)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(gè)方面反爬蟲(chóng)：
1. 通過(guò)Headers反爬蟲(chóng)
從用戶(hù)請(qǐng)求的Headers反爬蟲(chóng)是最常見(jiàn)的反爬蟲(chóng)策略。很多網(wǎng)站都會(huì)對(duì)Headers的User-Agent進(jìn)行檢測(cè)，還有一部分網(wǎng)站會(huì)對(duì)Referer進(jìn)行檢測(cè)（一些資源網(wǎng)站的防盜鏈就是檢測(cè)Referer）。
如果遇到了這類(lèi)反爬蟲(chóng)機(jī)制，可以直接在爬蟲(chóng)中添加Headers，將瀏覽器的User-Agent復(fù)制到爬蟲(chóng)的Headers中；或者將Referer值修改為目標(biāo)網(wǎng)站域名。對(duì)于檢測(cè)Headers的反爬蟲(chóng)，在爬蟲(chóng)中修改或者添加Headers就能很好的繞過(guò)。
2. 基于用戶(hù)行為反爬蟲(chóng)
還有一部分網(wǎng)站是通過(guò)檢測(cè)用戶(hù)行為，例如同一IP短時(shí)間內(nèi)多次訪(fǎng)問(wèn)同一頁(yè)面，或者同一賬戶(hù)短時(shí)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(duì)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(cè)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(zhuān)門(mén)的代理IP網(wǎng)站實(shí)時(shí)抓取，是個(gè)不錯(cuò)的選擇。
對(duì)于第二種情況，可以在每次請(qǐng)求后隨機(jī)間隔幾秒再進(jìn)行下一次請(qǐng)求。有些有邏輯漏洞的網(wǎng)站，可以通過(guò)請(qǐng)求幾次，退出登錄，重新登錄，繼續(xù)請(qǐng)求來(lái)繞過(guò)同一賬號(hào)短時(shí)間內(nèi)不能多次進(jìn)行相同請(qǐng)求的限制。
還有針對(duì)cookies，通過(guò)檢查cookies來(lái)判斷用戶(hù)是否是有效用戶(hù)，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(huì)動(dòng)態(tài)更新驗(yàn)證，如推酷登錄時(shí)，會(huì)隨機(jī)分配用于登錄驗(yàn)證的authenticity_token，authenticity_token會(huì)和用戶(hù)提交的登錄名和密碼一起發(fā)送回服務(wù)器。
3. 基于動(dòng)態(tài)頁(yè)面的反爬蟲(chóng)
有的時(shí)候?qū)⒛繕?biāo)頁(yè)面抓取下來(lái)，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(guò)用戶(hù)Post的XHR動(dòng)態(tài)返回內(nèi)容信息，解決這種問(wèn)題的方法就是通過(guò)開(kāi)發(fā)者工具（FireBug等）對(duì)網(wǎng)站流進(jìn)行分析，找到單獨(dú)的內(nèi)容信息request（如Json），對(duì)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(duì)動(dòng)態(tài)請(qǐng)求加密的，參數(shù)無(wú)法解析，也就無(wú)法進(jìn)行抓取。這種情況下，可以通過(guò)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(guò)效率上會(huì)打些折扣。筆者測(cè)試過(guò)，用urllib抓取拉勾網(wǎng)招聘信息30頁(yè)所需時(shí)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(fǎng)問(wèn)
免費(fèi)的代理IP可以從很多網(wǎng)站獲取到，既然爬蟲(chóng)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(guò)抓取這些IP保存在服務(wù)器上來(lái)限制利用代理IP進(jìn)行抓取的爬蟲(chóng)。
進(jìn)入正題
好了，現(xiàn)在實(shí)際操作一下，編寫(xiě)一個(gè)通過(guò)代理IP訪(fǎng)問(wèn)網(wǎng)站的爬蟲(chóng)。
首先獲取代理IP，用來(lái)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(huì)通過(guò)檢查代理IP的真實(shí)IP來(lái)限制爬蟲(chóng)抓取。這里就要稍微提一下代理IP的知識(shí)。
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(hù)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(wú)法繞過(guò)通過(guò)一定時(shí)間內(nèi)IP訪(fǎng)問(wèn)次數(shù)的限制。
普通匿名代理能隱藏客戶(hù)機(jī)的真實(shí)IP，但會(huì)改變我們的請(qǐng)求信息，服務(wù)器端有可能會(huì)認(rèn)為我們使用了代理。不過(guò)使用此種代理時(shí)，雖然被訪(fǎng)問(wèn)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(huì)被網(wǎng)站禁止訪(fǎng)問(wèn)。
高匿名代理不改變客戶(hù)機(jī)的請(qǐng)求，這樣在服務(wù)器看來(lái)就像有個(gè)真正的客戶(hù)瀏覽器在訪(fǎng)問(wèn)它，這時(shí)客戶(hù)的真實(shí)IP是隱藏的，網(wǎng)站就不會(huì)認(rèn)為我們使用了代理。
綜上所述，爬蟲(chóng)代理IP最好使用“高匿IP”
user_agent_list包含了目前主流瀏覽器請(qǐng)求的RequestHeaders的user-agent，通過(guò)它我們可以模仿各類(lèi)瀏覽器的請(qǐng)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(guò)設(shè)定隨機(jī)等待時(shí)間來(lái)訪(fǎng)問(wèn)網(wǎng)站，可以繞過(guò)某些網(wǎng)站對(duì)于請(qǐng)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(shí)間：%s s' %sleep_time)
time.sleep(sleep_time) #設(shè)置隨機(jī)等待時(shí)間
print('開(kāi)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(kāi)失??！******')
else:
global count
count +=1
print('OK!總計(jì)成功%s次！'%count)
以上就是爬蟲(chóng)使用代理的相關(guān)知識(shí)點(diǎn)，雖然還很淺顯，但大部分場(chǎng)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(shí)間：%s s' %sleep_time)
time.sleep(sleep_time)
print('開(kāi)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(kāi)失?。?*****')
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?jī)?nèi)容，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，同時(shí)也希望多多支持腳本之家！
相關(guān)文章
python使用 multiprocessing 多進(jìn)程處理批量數(shù)據(jù)的示例代碼
這篇文章主要介紹了使用 multiprocessing 多進(jìn)程處理批量數(shù)據(jù)的示例代碼,本文通過(guò)示例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2023-09-09
由于很多論文里面的測(cè)試圖片沒(méi)有標(biāo)號(hào),就不能確定它們是Testset數(shù)據(jù)集中哪幾張圖片.為了能解決這個(gè)問(wèn)題,需要完成以圖片去搜索整個(gè)數(shù)據(jù)集文件目錄的任務(wù).本文有非常詳細(xì)的圖文示例,需要的朋友可以參考下2021-05-05
Python中的map()函數(shù)和reduce()函數(shù)的用法
這篇文章主要介紹了Python中的map()函數(shù)和reduce()函數(shù)的用法,代碼基于Python2.x版本,需要的朋友可以參考下2015-04-04
這篇文章主要為大家詳細(xì)介紹了python繪制餅圖的方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來(lái)幫助2022-03-03
本文給大家分享的是修改MACA中pycharm的默認(rèn)的Python解釋器，由于默認(rèn)解釋器是Python2，使用起來(lái)各種不便，下面給大家講解下如何修改2017-12-12
python使用for循環(huán)和海龜繪圖實(shí)現(xiàn)漂亮螺旋線(xiàn)
這篇文章主要為大家介紹了python使用for循環(huán)和海龜繪圖實(shí)現(xiàn)漂亮螺旋線(xiàn)實(shí)現(xiàn)示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-06-06
Python實(shí)現(xiàn)端口流量轉(zhuǎn)發(fā)的示例代碼
端口流量轉(zhuǎn)發(fā)（Port Forwarding）是一種網(wǎng)絡(luò)通信技術(shù),用于將特定的網(wǎng)絡(luò)流量從一個(gè)端口或網(wǎng)絡(luò)地址轉(zhuǎn)發(fā)到另一個(gè)端口或地址,它在網(wǎng)絡(luò)中扮演著一個(gè)非常重要的角色,在Python語(yǔ)言中實(shí)現(xiàn)端口轉(zhuǎn)發(fā)非常容易,文中有相關(guān)的代碼示例,需要的朋友可以參考下2023-11-11
解決Python命令行下退格,刪除,方向鍵亂碼(親測(cè)有效)
今天小編就為大家分享一篇解決Python命令行下退格,刪除,方向鍵亂碼(親測(cè)有效)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-01-01
本文主要介紹了python因子分析的實(shí)例，這里舉一個(gè)因子分析的具體的例子,?看一下因子分析是如何進(jìn)行的，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-03-03
python重寫(xiě)方法和重寫(xiě)特殊構(gòu)造方法
這篇文章主要介紹了python重寫(xiě)方法和重寫(xiě)特殊構(gòu)造方法，對(duì)于父類(lèi)的方法，只要他不符合子類(lèi)模擬的實(shí)物的行為，都可以進(jìn)行重寫(xiě)，更多相關(guān)內(nèi)容需要的朋友可以參考一下2022-07-07