通過Python爬蟲代理IP快速增加博客閱讀量
寫在前面
題目所說的并不是目的，主要是為了更詳細的了解網(wǎng)站的反爬機制，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進行檢測，還有一部分網(wǎng)站會對Referer進行檢測（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制，可以直接在爬蟲中添加Headers，將瀏覽器的User-Agent復制到爬蟲的Headers中；或者將Referer值修改為目標網(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間隔幾秒再進行下一次請求。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)。更深入一點的還有，某些網(wǎng)站的登錄會動態(tài)更新驗證，如推酷登錄時，會隨機分配用于登錄驗證的authenticity_token，authenticity_token會和用戶提交的登錄名和密碼一起發(fā)送回服務器。
3. 基于動態(tài)頁面的反爬蟲
有的時候?qū)⒛繕隧撁孀ト∠聛?，發(fā)現(xiàn)關(guān)鍵的信息內(nèi)容空白一片，只有框架代碼，這是因為該網(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)站流進行分析，找到單獨的內(nèi)容信息request（如Json），對內(nèi)容信息進行抓取，獲取所需內(nèi)容。
更復雜一點的還有對動態(tài)請求加密的，參數(shù)無法解析，也就無法進行抓取。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保存在服務器上來限制利用代理IP進行抓取的爬蟲。
進入正題
好了，現(xiàn)在實際操作一下，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器的存在，但是它傳送的仍然是真實的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的真實IP，但會改變我們的請求信息，服務器端有可能會認為我們使用了代理。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的請求，這樣在服務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IP是隱藏的，網(wǎng)站就不會認為我們使用了代理。
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', ]
通過設定隨機等待時間來訪問網(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('當前代理ip：%s'%proxy_ip)
user_agent = random.choice(user_agent_list)
print('當前代理user_agent：%s'%user_agent)
sleep_time = random.randint(1,3)
print('等待時間：%s s' %sleep_time)
time.sleep(sleep_time) #設置隨機等待時間
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('******打開失敗！******')
else:
global count
count +=1
print('OK!總計成功%s次！'%count)
以上就是爬蟲使用代理的相關(guān)知識點，雖然還很淺顯，但大部分場景是可以應付的了的。
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('當前代理ip：%s'%proxy_ip)
user_agent = random.choice(user_agent_list)
print('當前代理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?。?*****')
else:
global count
count +=1
print('OK!總計成功%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)容對大家的學習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！
相關(guān)文章
用的是篩選法,網(wǎng)上有解釋,簡單的說 就是先隨機生成一串數(shù)字,之后用下標來判斷這些數(shù)字有沒有重復,重復的就篩去2011-05-05
python 監(jiān)控服務器是否有人遠程登錄（詳細思路+代碼）
這篇文章主要介紹了python 監(jiān)控服務器是否有人遠程登錄的方法，幫助大家利用python 監(jiān)控服務器，感興趣的朋友可以了解下2020-12-12
相信很多的新手朋友都會碰到python連接字符串和數(shù)字的問題，因為python是強類型的語言，如果你把一個字符串和數(shù)字直接做連接的操作的話，就會直接報錯的，今天就給大家說下字符串和數(shù)字拼接的問題，有需要的朋友們可以參考借鑒。2016-10-10
這篇文章主要為大家詳細介紹了opencv實現(xiàn)回形遍歷像素算法，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-03-03
這篇文章主要給大家介紹了關(guān)于Python學習之time模塊基本使用的相關(guān)資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-01-01
壓縮和解壓縮是日常常用的操作，不管是windows上圖形界面的操作，還是linux上用命令來進行壓縮解壓縮，總的而言都還是比較方便的，本文通過案例代碼講解了python3壓縮和解壓文件的方法，2023-02-02
本文主要介紹了python切割圖片的實現(xiàn)示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-05-05
這篇文章主要介紹了PyCharm 的初始設置（知道）,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-10-10
Networkx是一個Python的包,可以用來創(chuàng)建和處理復雜的圖網(wǎng)絡結(jié)構(gòu)，這篇文章主要介紹了Python中的Networkx詳解,需要的朋友可以參考下2023-02-02
Python著名游戲?qū)崙?zhàn)之方塊連接 我的世界
讀萬卷書不如行萬里路，學的扎不扎實要通過實戰(zhàn)才能看出來，本篇文章手把手帶你模仿著名游戲——我的世界,大家可以在過程中查缺補漏，看看自己掌握程度怎么樣2021-10-10