聽說你的爬蟲被封了?

如果你在爬蟲過程中有遇到“您的請求太過頻繁，請稍后再試”渣慕，或者說代碼完全正確嘶炭，可是爬蟲過程中突然就訪問不了，那么恭喜你逊桦，你的爬蟲被對方識破了眨猎，輕則給予友好提示警告，嚴(yán)重的可能會對你的ip進(jìn)行封禁强经，所以代理ip那就尤為重要了睡陪。今天我們就來談一下代理IP，去解決爬蟲被封的問題。

網(wǎng)上有許多代理ip兰迫，免費(fèi)的信殊、付費(fèi)的。大多數(shù)公司爬蟲會買這些專業(yè)版逮矛，對于普通人來說鸡号，免費(fèi)的基本滿足我們需要了转砖，不過免費(fèi)有一個(gè)弊端须鼎，時(shí)效性不強(qiáng)，不穩(wěn)定府蔗，所以我們就需要對采集的ip進(jìn)行一個(gè)簡單的驗(yàn)證晋控。

1.目標(biāo)采集

本文主要針對西刺代理，這個(gè)網(wǎng)站很早之前用過姓赤，不過那個(gè)時(shí)候它還提供免費(fèi)的api赡译，現(xiàn)在api暫不提供了，我們就寫個(gè)簡單的爬蟲去采集不铆。

打開西刺代理蝌焚，有幾個(gè)頁面，果斷選擇高匿代理誓斥。

Chrome瀏覽器右鍵檢查查看network只洒，不難發(fā)現(xiàn)，每個(gè)ip地址都在td標(biāo)簽中劳坑，對于我們來說就簡單許多了毕谴，初步的想法就是獲取所有的ip，然后校驗(yàn)可用性距芬，不可用就剔除涝开。

image.png

定義匹配規(guī)則

import re

ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')  # 匹配IP
port_compile = re.compile(r'<td>(\d+)</td>')  # 匹配端口

2.校驗(yàn) 這里我使用淘寶ip地址庫檢驗(yàn)可用性

2.1、關(guān)于淘寶IP地址庫

目前提供的服務(wù)包括：
1. 根據(jù)用戶提供的IP地址框仔，快速查詢出該IP地址所在的地理信息和地理相關(guān)的信息舀武，包括國家、省离斩、市和運(yùn)營商银舱。
2. 用戶可以根據(jù)自己所在的位置和使用的IP地址更新我們的服務(wù)內(nèi)容。
我們的優(yōu)勢：
1. 提供國家捐腿、省纵朋、市、縣茄袖、運(yùn)營商全方位信息操软，信息維度廣，格式規(guī)范宪祥。
2. 提供完善的統(tǒng)計(jì)分析報(bào)表聂薪，省準(zhǔn)確度超過99.8%家乘，市準(zhǔn)確度超過96.8%，數(shù)據(jù)質(zhì)量有保障藏澳。

2.2仁锯、接口說明

請求接口（GET）：
http://ip.taobao.com/service/getIpInfo.php?ip=[ip地址字符串]
例：http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44
響應(yīng)信息：
（json格式的）國家、氏栌啤（自治區(qū)或直轄市）业崖、市（縣）、運(yùn)營商
返回?cái)?shù)據(jù)格式：

{"code":0,"data":{"ip":"210.75.225.254","country":"\u4e2d\u56fd","area":"\u534e\u5317",
"region":"\u5317\u4eac\u5e02","city":"\u5317\u4eac\u5e02","county":"","isp":"\u7535\u4fe1",
"country_id":"86","area_id":"100000","region_id":"110000","city_id":"110000",
"county_id":"-1","isp_id":"100017"}}

其中code的值的含義為蓄愁，0：成功双炕，1：失敗。

注意：為了保障服務(wù)正常運(yùn)行撮抓，每個(gè)用戶的訪問頻率需小于10qps妇斤。
我們先通過瀏覽器測試一下

輸入地址http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44
再次輸入一個(gè)地址http://ip.taobao.com/service/getIpInfo2.php?ip=112.85.168.98
代碼操作

import requests

check_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="
api = check_api + ip
try:
    response = requests.get(url=api, headers=api_headers, timeout=2)
    print("ip：%s 可用" % ip)
except Exception as e:
    print("此ip %s 已失效：%s" % (ip, e))

3.代碼

代碼中加入了異常處理，其實(shí)自己手寫的demo寫不寫異常處理都可以丹拯，但是為了方便其他人調(diào)試站超，建議在可能出現(xiàn)異常的地方加入異常處理。

import requests
import re
import random

from bs4 import BeautifulSoup

ua_list = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",
    "Mozilla / 5.0(Windows NT 6.1;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 45.0.2454.101Safari / 537.36"
    ]


def ip_parse_xici(page):
    """

    :param page: 采集的頁數(shù)
    :return:
    """
    ip_list = []
    for pg in range(1, int(page)):
        url = 'http://www.xicidaili.com/nn/' + str(pg)
        user_agent = random.choice(ua_list)
        my_headers = {
            'Accept': 'text/html, application/xhtml+xml, application/xml;',
            'Accept-Encoding': 'gzip, deflate, sdch',
            'Accept-Language': 'zh-CN,zh;q=0.8',
            'Referer': 'http: // www.xicidaili.com/nn',
            'User-Agent': user_agent
        }
        try:
            r = requests.get(url, headers=my_headers)
            soup = BeautifulSoup(r.text, 'html.parser')
        except requests.exceptions.ConnectionError:
            print('ConnectionError')
        else:
            data = soup.find_all('td')
            # 定義IP和端口Pattern規(guī)則
            ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')  # 匹配IP
            port_compile = re.compile(r'<td>(\d+)</td>')  # 匹配端口
            ips = re.findall(ip_compile, str(data))  # 獲取所有IP

            ports = re.findall(port_compile, str(data))  # 獲取所有端口
            check_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="

            for i in range(len(ips)):
                if i < len(ips):
                    ip = ips[i]
                    api = check_api + ip
                    api_headers = {
                        'User-Agent': user_agent
                    }
                    try:
                        response = requests.get(url=api, headers=api_headers, timeout=2)
                        print("ip：%s 可用" % ip)
                    except Exception as e:
                        print("此ip %s 已失效：%s" % (ip, e))
                        del ips[i]
                        del ports[i]
            ips_usable = ips
            ip_list += [':'.join(n) for n in zip(ips_usable, ports)]  # 列表生成式
            print('第{}頁ip采集完成'.format(pg))
    print(ip_list)


if __name__ == '__main__':
    xici_pg = input("請輸入需要采集的頁數(shù)：")
    ip_parse_xici(page=xici_pg)

運(yùn)行代碼：

日志

4.為你的爬蟲加入代理ip

建議大家可以把采集的ip存入數(shù)據(jù)庫乖酬，這樣每次爬蟲的時(shí)候直接調(diào)用即可死相，順便提一下代碼中怎么加入代理ip。

import requests

url = 'www.baidu.com'
headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",
}
proxies = {
    "http": "http://111.177.181.44:9999",
    # "https": "https://111.177.181.44:9999",
}

res = requests.get(url=url, headers=headers, proxies=proxies)

好了剑刑，媽媽再也不擔(dān)心我爬蟲被封了