30天网站建设 视频教程,播州区建设局网站,无锡哪个网站建设比较好,网站制作建设公司爬虫系列#xff1a;http://t.csdnimg.cn/WfCSx
前言
我们在做爬虫的过程中经常会遇到这样的情况#xff0c;最初爬虫正常运行#xff0c;正常抓取数据#xff0c;一切看起来都是那么的美好#xff0c;然而一杯茶的功夫可能就会出现错误#xff0c;比如 403 Forbiddenhttp://t.csdnimg.cn/WfCSx
前言
我们在做爬虫的过程中经常会遇到这样的情况最初爬虫正常运行正常抓取数据一切看起来都是那么的美好然而一杯茶的功夫可能就会出现错误比如 403 Forbidden这时候打开网页一看可能会看到 “您的 IP 访问频率太高” 这样的提示或者跳出一个验证码让我们输入输入之后才可能解封但是输入之后过一会儿就又这样了。
出现这样的现象的原因是网站采取了一些反爬虫的措施比如服务器会检测某个 IP 在单位时间内的请求次数如果超过了这个阈值那么会直接拒绝服务返回一些错误信息这种情况可以称之为封 IP于是乎就成功把我们的爬虫禁掉了。
既然服务器检测的是某个 IP 单位时间的请求次数那么我们借助某种方式来伪装我们的 IP让服务器识别不出是由我们本机发起的请求不就可以成功防止封 IP 了吗
所以这时候代理就派上用场了。本章会详细介绍代理的基本知识及各种代理的使用方式包括代理的设置、代理池的维护、付费代理的使用、ADSL 拨号代理的搭建方法等内容以帮助爬虫脱离封 IP 的 “苦海”。 代理的设置
前面我们介绍了多种请求库如 Requests、Urllib、Selenium 等。我们接下来了解一下代理怎么使用为后面了解代理池的使用打下基础。
下面我们来梳理一下这些库的代理的设置方法。
1. 获取代理
做测试之前我们需要先获取一个可用代理。搜索引擎搜索 “代理” 关键字就可以看到许多代理服务网站网站上会有很多免费代理比如西刺http://www.xicidaili.com/。但是这些免费代理大多数情况下都是不好用的所以比较靠谱的方法是购买付费代理。付费代理在很多网站上都有售卖数量不用多稳定可用即可我们可以自行选购。
如果本机有相关代理软件的话软件一般会在本机创建 HTTP 或 SOCKS 代理服务本机直接使用此代理也可以。
在这里我的本机安装了一部代理软件它会在本地 9743 端口上创建 HTTP 代理服务即代理为 127.0.0.1:9743另外还会在 9742 端口创建 SOCKS 代理服务即代理为 127.0.0.1:9742。我只要设置了这个代理就可以成功将本机 IP 切换到代理软件连接的服务器的 IP 了。
本章下面的示例里我使用上述代理来演示其设置方法你也可以自行替换成自己的可用代理。设置代理后测试的网址是http://httpbin.org/get我们访问该网址可以得到请求的相关信息其中 origin 字段就是客户端的 IP我们可以根据它来判断代理是否设置成功即是否成功伪装了 IP。
2. urllib
首先我们以最基础的 urllib 为例来看一下代理的设置方法代码如下
from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy 127.0.0.1:9743
proxy_handler ProxyHandler({http: http:// proxy,https: https:// proxy
})
opener build_opener(proxy_handler)
try:response opener.open(http://httpbin.org/get)print(response.read().decode(utf-8))
except URLError as e:print(e.reason)
运行结果如下
{args: {}, headers: {Accept-Encoding: identity, Connection: close, Host: httpbin.org, User-Agent: Python-urllib/3.6}, origin: 106.185.45.153, url: http://httpbin.org/get
}
这里我们需要借助 ProxyHandler 设置代理参数是字典类型键名为协议类型键值是代理。注意此处代理前面需要加上协议即 http 或者 https。当请求的链接是 http 协议的时候ProxyHandler 会调用 http 代理。当请求的链接是 https 协议的时候会调用 https 代理。此处生效的代理是http://127.0.0.1:9743。
创建完 ProxyHandler 对象之后我们需要利用 build_opener 方法传入该对象来创建一个 Opener这样就相当于此 Opener 已经设置好代理了。接下来直接调用 Opener 对象的 open 方法即可访问我们所想要的链接。
运行输出结果是一个 JSON它有一个字段 origin标明了客户端的 IP。验证一下此处的 IP 确实为代理的 IP并不是真实的 IP。这样我们就成功设置好代理并可以隐藏真实 IP 了。
如果遇到需要认证的代理我们可以用如下的方法设置
from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
proxy username:password127.0.0.1:9743
proxy_handler ProxyHandler({http: http:// proxy,https: https:// proxy
})
opener build_opener(proxy_handler)
try:response opener.open(http://httpbin.org/get)print(response.read().decode(utf-8))
except URLError as e:print(e.reason)
这里改变的只是 proxy 变量只需要在代理前面加入代理认证的用户名密码即可其中 username 就是用户名password 为密码例如 username 为 foo密码为 bar那么代理就是 foo:bar127.0.0.1:9743。
如果代理是 SOCKS5 类型那么可以用如下方式设置代理
import socks
import socket
from urllib import request
from urllib.error import URLError
socks.set_default_proxy(socks.SOCKS5, 127.0.0.1, 9742)
socket.socket socks.socksocket
try:response request.urlopen(http://httpbin.org/get)print(response.read().decode(utf-8))
except URLError as e:print(e.reason)
此处需要一个 socks 模块可以通过如下命令安装
pip3 install PySocks
本地我有一个 SOCKS5 代理运行在 9742 端口运行成功之后和上文 HTTP 代理输出结果是一样的
{args: {}, headers: {Accept-Encoding: identity, Connection: close, Host: httpbin.org, User-Agent: Python-urllib/3.6}, origin: 106.185.45.153, url: http://httpbin.org/get
}
结果的 origin 字段同样为代理的 IP。现在代理设置成功。
3. requests
对于 requests 来说代理设置更加简单我们只需要传入 proxies 参数即可。
还是以上例中的代理为例我们来看下 requests 的代理的设置
import requests
proxy 127.0.0.1:9743
proxies {http: http:// proxy,https: https:// proxy,
}
try:response requests.get(http://httpbin.org/get, proxiesproxies)print(response.text)
except requests.exceptions.ConnectionError as e:print(Error, e.args)
运行结果
{args: {}, headers: {Accept: */*, Accept-Encoding: gzip, deflate, Connection: close, Host: httpbin.org, User-Agent: python-requests/2.18.1}, origin: 106.185.45.153, url: http://httpbin.org/get
}
可以发现requests 的代理设置比 urllib 简单很多它只需要构造代理字典然后通过 proxies 参数即可而不需要重新构建 Opener。
其运行结果的 origin 也是代理的 IP这证明代理已经设置成功。
如果代理需要认证同样在代理的前面加上用户名密码即可代理的写法就变成如下所示
proxy username:password127.0.0.1:9743
和 urllib 一样这里只需要将 username 和 password 替换即可。
如果需要使用 SOCKS5 代理则可以使用如下方式来设置
import requests
proxy 127.0.0.1:9742
proxies {http: socks5:// proxy,https: socks5:// proxy
}
try:response requests.get(http://httpbin.org/get, proxiesproxies)print(response.text)
except requests.exceptions.ConnectionError as e:print(Error, e.args)
在这里我们需要额外安装一个模块这个模块叫作requests[socks]命令如下所示
pip3 install requests[socks]
运行结果是完全相同的
{args: {}, headers: {Accept: */*, Accept-Encoding: gzip, deflate, Connection: close, Host: httpbin.org, User-Agent: python-requests/2.18.1}, origin: 106.185.45.153, url: http://httpbin.org/get
}
另外还有一种设置方式和 urllib 中的方法相同使用 socks 模块也需要像上文一样安装 socks 库。这种设置方法如下所示
import requests
import socks
import socket
socks.set_default_proxy(socks.SOCKS5, 127.0.0.1, 9742)
socket.socket socks.socksocket
try:response requests.get(http://httpbin.org/get)print(response.text)
except requests.exceptions.ConnectionError as e:print(Error, e.args)
使用这种方法也可以设置 SOCKS5 代理运行结果完全相同。相比第一种方法此方法是全局设置。我们可以在不同情况下选用不同的方法。
4. Selenium
Selenium 同样也可以设置代理包括两种方式一种是有界面浏览器以 Chrome 为例另一种是无界面浏览器以 PhantomJS 为例。
Chrome
对于 Chrome 来说用 Selenium 设置代理的方法也非常简单设置方法如下所示
from selenium import webdriver
proxy 127.0.0.1:9743
chrome_options webdriver.ChromeOptions()
chrome_options.add_argument(--proxy-serverhttp:// proxy)
browser webdriver.Chrome(chrome_optionschrome_options)
browser.get(http://httpbin.org/get)
在这里我们通过 ChromeOptions 来设置代理在创建 Chrome 对象的时候用 chrome_options 参数传递即可。
运行代码之后便会弹出一个 Chrome 浏览器我们访问目标链接之后输出结果如下所示
{args: {}, headers: {Accept: text/html,application/xhtmlxml,application/xml;q0.9,image/webp,image/apng,*/*;q0.8, Accept-Encoding: gzip, deflate, Accept-Language: zh-CN,zh;q0.8, Connection: close, Host: httpbin.org, Upgrade-Insecure-Requests: 1, User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36}, origin: 106.185.45.153, url: http://httpbin.org/get
}
代理设置成功origin 同样为代理 IP 的地址。
如果代理是认证代理则设置方法相对比较麻烦设置方法如下所示
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import zipfile
ip 127.0.0.1
port 9743
username foo
password bar
manifest_json {version:1.0.0,manifest_version: 2,name:Chrome Proxy,permissions: [proxy,tabs,unlimitedStorage,storage,all_urls,webRequest,webRequestBlocking],background: {scripts: [background.js]}
}
background_js
var config {mode: fixed_servers,rules: {singleProxy: {scheme: http,host: %(ip) s,port: %(port) s}}}
chrome.proxy.settings.set({value: config, scope: regular}, function() {});
function callbackFn(details) {return {authCredentials: {username: %(username) s,password: %(password) s}}
}
chrome.webRequest.onAuthRequired.addListener(callbackFn,{urls: [all_urls]},[blocking]
)% {ip: ip, port: port, username: username, password: password}
plugin_file proxy_auth_plugin.zip
with zipfile.ZipFile(plugin_file, w) as zp:zp.writestr(manifest.json, manifest_json)zp.writestr(background.js, background_js)
chrome_options Options()
chrome_options.add_argument(--start-maximized)
chrome_options.add_extension(plugin_file)
browser webdriver.Chrome(chrome_optionschrome_options)
browser.get(http://httpbin.org/get)
这里需要在本地创建一个 manifest.json 配置文件和 background.js 脚本来设置认证代理。运行代码之后本地会生成一个 proxy_auth_plugin.zip 文件来保存当前配置。
运行结果和上例一致origin 同样为代理 IP。
PhantomJS
对于 PhantomJS 来说代理设置方法可以借助 service_args 参数也就是命令行参数。代理设置方法如下所示
from selenium import webdriver
service_args [--proxy127.0.0.1:9743,--proxy-typehttp
]
browser webdriver.PhantomJS(service_argsservice_args)
browser.get(http://httpbin.org/get)
print(browser.page_source)
我们只需要使用 service_args 参数将命令行的一些参数定义为列表在初始化的时候传递给 PhantomJS 对象即可。
运行结果如下所示
{args: {}, headers: {Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8, Accept-Encoding: gzip, deflate, Accept-Language: zh-CN,en,*, Connection: close, Host: httpbin.org, User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X) AppleWebKit/538.1 (KHTML, like Gecko) PhantomJS/2.1.0 Safari/538.1}, origin: 106.185.45.153, url: http://httpbin.org/get
}
设置代理成功运行结果的 origin 同样为代理的 IP。
如果需要认证那么只需要再加入 --proxy-auth 选项即可这样参数就改为下面这样
service_args [--proxy127.0.0.1:9743,--proxy-typehttp,--proxy-authusername:password
]
将 username 和 password 替换为认证所需的用户名和密码即可。 5. 结语
本文介绍了前文所讲的请求库的代理设置方法后面我们会使用这些方法来搭建代理池和爬取网站。
最后如果本文对您有帮助可以给我点一个赞支持一下
同时如果你喜欢本系列爬虫文章可以点个关注跟着我一起学习更多爬虫知识。
