python爬虫遇到IP被封的情况,怎么办?

代理服务的介绍:

我们在做爬虫的过程中经常最初爬虫都正常运行,正常爬取数据,一切看起来都是美好,然而一杯茶的功夫就出现了错误。

如:403 Forbidden错误,“您的IP访问频率太高”错误,或者跳出一个验证码让我们输入,之后解封,但过一会又出现类似情况。

出现这个现象的原因是因为网站采取了一些反爬中措施,如:服务器检测IP在单位时间内请求次数超过某个阀值导致,称为封IP。

为了解决此类问题,代理就派上了用场,如:代理软件、付费代理、ADSL拨号代理,以帮助爬虫脱离封IP的苦海。

测试HTTP请求及响应的网站:http://httpbin.org/

GET地址 :http://httpbin.org/get

POST地址:http://httpbin.org/post

httpbin这个网站能测试 HTTP 请求和响应的各种信息,比如 cookie、ip、headers 和登录验证等。

且支持 GET、POST 等多种方法,对 web 开发和测试很有帮助。

它用 Python + Flask 编写,是一个开源项目。开源地址:https://github.com/Runscope/httpbin

返回信息中origin的字段就是客户端的IP地址,即可判断是否成功伪装IP:

代理的设置:

① urllib的代理设置

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy = '127.0.0.1:8888'
#需要认证的代理
#proxy = 'username:[email protected]:8888'

#使用ProxyHandler设置代理
proxy_handler = ProxyHandler({
'http': 'http://' + proxy,
'https': 'https://' + proxy
})
#传入参数创建Opener对象
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)

② requests的代理设置

import requests

proxy = '127.0.0.1:8888'
#需要认证的代理
#proxy = 'username:[email protected]:8888'

proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy,
}
try:
 response = requests.get('http://httpbin.org/get', proxies=proxies)
 print(response.text)
except requests.exceptions.ConnectionError as e:
 print('Error', e.args)

③ Selenium的代理使用

使用的是PhantomJS

from selenium import webdriver

service_args = [
'--proxy=127.0.0.1:9743',
'--proxy-type=http',
#'--proxy-auth=username:password' #带认证代理
]

browser = webdriver.PhantomJS(service_args=service_args)
browser.get('http://httpbin.org/get')
print(browser.page_source)
使用的是Chrome

from selenium import webdriver

proxy = '127.0.0.1:9743'
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--proxy-server=http://' + proxy)
chrome = webdriver.Chrome(chrome_options=chrome_options)
chrome.get('http://httpbin.org/get')

④ 在Scrapy使用代理

#在Scrapy的Downloader Middleware中间件里

 ...
def process_request(self, request, spider):
 request.meta['proxy'] = 'http://127.0.0.1:9743'
 ...

免费代理IP的使用

我们可以从互联网中获取免费的代理IP:如:西刺

import requests,random

#定义代理池
proxy_list = [
'182.39.6.245:38634',
'115.210.181.31:34301',
'123.161.152.38:23201',
'222.85.5.187:26675',
'123.161.152.31:23127',
]

随机选择一个代理

proxy = random.choice(proxy_list)

proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy,
}
try:
 response = requests.get('http://httpbin.org/get', proxies=proxies)
 print(response.text)
except requests.exceptions.ConnectionError as e:
 print('Error', e.args)

收费代理IP的使用
收费代理还是很多的如:
西刺

讯代理

快代理

大象代理

在requests中使用收费代理
import requests

从代理服务中获取一个代理IP

proxy = requests.get("http://tvp.daxiangdaili.com/ip/?tid=559775358931681&num=1").text
proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy,
}
try:
 response = requests.get('http://httpbin.org/get', proxies=proxies)
 print(response.text)
except requests.exceptions.ConnectionError as e:
 print('Error', e.args)
发布了38 篇原创文章 · 获赞 1 · 访问量 2200

猜你喜欢

转载自blog.csdn.net/wulishinian/article/details/102958687