引言
最近在学习python，先说一下我学Python得原因，一个是因为它足够好用，完成同样的功能，代码量会比其他语言少很多，有大量的丰富的库可以使用，基本上前期根本不需要自己造什么轮子。第二个是因为目前他很火，网上各种资料都比较丰富，且质量尚可。接下来不如正题
在学习Python爬虫的时候，经常会遇见所要爬取的网站采取了反爬取技术导致爬取失败。高强度、高效率地爬取网页信息常常会给网站服务器带来巨大压力，所以同一个IP反复爬取同一个网页，就很可能被封，这里讲述一个爬虫技巧，设置代理IP
为什么需要代理
提到python，虽然他能干的事情很多，但是我们首先想起的一般都是爬虫。爬虫的作用是通过抓取网页，分析并获得网页中的内容。像php这类语言也是可以用curl来达到爬虫的效果，不过论爬虫库的数量和易用性就没办法和python相比了。
对网络知识有了解的朋友应该知道，很多网站都有反爬虫的策略，或者是针对同一ip地址频繁请求会拒绝服务，我在刚开始写一些东西的时候就经常因为访问的频率太频繁而被禁。所以说仅用自己的ip地址进行爬取是有一定的局限性的。而代理就可以解决这个问题。
代理是什么
作为一个程序员我觉得有必要了解一些基本的网络知识，比如说网络代理。
我不想从哪里复制粘贴一段介绍过来，因为我觉得那样很low，我说说我理解的网络代理。
如果你不了解代理，你应该知道代购吧，比如你想买一个东西，却不想自己跑去买，可以找一个代理帮你去买。类似的，网络代理也是在你和目的网络之间的一个中转方。类似如下图
Alice->agency(代理): I want to get sth from Bob
agency(代理)->Bob: give me sth
Note right of Bob: Bob thinks
Bob-->agency(代理): there is sth!
agency(代理)-->Alice: bob give you sth
这里有一个问题是，普通代理是比较好检测出来的，有些网站不允许使用代理访问。这时候可以使用高匿代理可以解决这个问题。关于代理不多说了，有兴趣的可以自己去了解。
从哪里获取代理
这问题就简单了，直接百度搜索网络代理可以搜索到很多免费的，免费的一般不太稳定，应付日常需求应该没问题。如果需要稳定代理还是老老实实的花钱买付费的好一些，不要因小失大。
比如网上就经常推荐的代理
西祠代理:http://www.xicidaili.com/nn/
本文用的快代理：https://www.kuaidaili.com/
西祠我一开始也用了，后来因为频繁访问被禁用过一次，几天后才解禁，在这期间我换成了快代理并去重写了规则每小时获取一次代理。
代码
本文用的python版本为3.6.5, 如果使用2.7版本的代码需要微调
User-Agent
用来模拟不同的浏览器，直接复制就可以了，我的文件名为user_agents.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
#!/usr/bin/python# -*- coding:utf-8 -*-'''Created on 2018-04-27@author: Vinter_he'''user_agents = [ 'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11', 'Opera/9.25 (Windows NT 5.1; U; en)', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)', 'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12', 'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9' "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"]获取代理代码#!/usr/bin/python# -*- coding:utf-8 -*-''' |
获取快代理ip 获取到的为https://...格式
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
|
'''from lxml import etreeimport sys ,user_agents ,random ,requests ,timeclass geKuaidailiIp: __instance = None #使用单例模式 def __new__(cls): if cls.__instance == None: cls.__instance = object.__new__(cls) cls.init(cls) return cls.__instance def init(self): print('初始化') self.proxieList = [] self.lastTime = time.time() - 3601 self.agencyUrl = 'https://www.kuaidaili.com/free/' self.userAgents = user_agents.user_agents # 获取user-agent def getUserAgent(self): userAgent = random.choice(self.userAgents) return { 'User-Agent': userAgent } def getHtml(self,url): response = requests.get(url = url ,headers = self.getUserAgent(),timeout = 10).text # sys.exit() html = etree.HTML(response) return html #取一页的分析代理ip def parseHtmlToGetIpList(self,url): #获取代理ip地址 只取前五页 html = self.getHtml(url) ip = html.xpath('//tr/td[@data-title = "IP"]') port = html.xpath('//tr/td[@data-title = "PORT"]') type = html.xpath('//tr/td[@data-title = "类型"]') return type, ip, port # 取五页数据并进行拼接成一个list def getProxies(self): # 1小时获取一次代理 否则会被禁 if time.time() - self.lastTime > 60*60: self.proxieList =[] self.lastTime = time.time() #只取前五页，因为后面的失效的会比较多，看自己需要 for i in range(5): url = self.agencyUrl+'inha/'+str(i+1)+"/" type,ip,port = self.parseHtmlToGetIpList(url) count = len(port) for i in range(count): self.proxieList.append(type[i].text+"://"+ip[i].text+":"+port[i].text) time.sleep(1) print('获取代理') return self.proxieList def getRandomAgencyIp(self): self.getProxies() ip = random.choice(self.proxieList) return ip#初始化代理 用来进行测试用# agency = geKuaidailiIp()# while True:## print(agency.getRandomAgencyIp())# time.sleep(random.randint(4,10)) |
为什么使用单例模式
如果你可以保证自己只创建一个代理对象的话，其实并不是必须使用单例模式。因为很多朋友可能会把创建对象的代码写在循环中，导致频繁的获取代理而导致自己的ip被代理方禁了。单例模式保证在一次执行脚本过程中只有一个对象。如果对象已经创建，则直接返回已经创建的对象，从而控制不会频繁的访问快代理的页面。代码中是一小时一次。
题外话
其实早在七八年前上学期间我就接触过python，那时候python没有现在那么火，我还是在查怎么成为一名黑客的时候查到的这是一个必修课。然而当时还是比较贪玩的，学习资料也很匮乏。所以不就久放弃了。现在在人工智能和大数据的带动下，前几天看统计，python已经成了排名第一的脚本语言（php是世界上最好的语言，哥哥们别喷我），所以我几个月前开始每天抽一点业余时间学习python。幸运的是我有三门语言基础，学习起来还算比较轻松。如果你也是一名程序员，并且有精力也希望你能在业余时间做点什么学点什么来提高自己，与大家共勉。
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对服务器之家的支持。
原文链接：https://www.cnblogs.com/vinter/p/8962698.html
