网络爬虫—IP代理池与用户代理的组合使用

Python网络爬虫

1.知识要求

如果你对相关知识有些遗忘，可以点上面的链接，熟悉一下相关知识点。

2.IP代理池

（1）为什么要使用IP代理？
因为，你如果一直用用户代理的方式去爬取一个网站，爬取次数多了，很容易被识别出来是爬虫，导致用户代理被封，而你用不同浏览器的用户代理，实际上都是使用同一IP地址。如果我们频繁切换IP地址，那么，等效于我们在不同的城市访问，那这样浏览器完全识别不出来你是爬虫。
（2）怎么获取IP代理？
IP代理可以到百度上搜索，有很多网站都有免费的，不过免费的别人都在用，所以效果不好，有时总时会爬取网页失败，我个人推荐一个很好的免费版的IP代理，如果你经济条件很好，我这里也有一个收费的很好的IP代理网站。
（3）IP代理池实战
eg：用IP代理池技术，每次从IP代理池中随机选一个IP代理，进行爬取数据

import urllib.request
import random
#构建IP代理池
ip_pool = [
    '58.221.55.58:808',
    '120.198.248.26:8088',
    '221.229.166.55:8080',
    '139.196.214.67:8080'
]

def ip(ip_pool, url):
    #从IP代理池中随机选一个IP代理
    ip = random.choice(ip_pool)
    print(ip)
    #格式化IP代理格
    proxy = urllib.request.ProxyHandler({'http': ip})
    #装入IP代理
    opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
    return urllib.request.urlopen(url).read().decode('utf-8', 'ignore')
    
data = ip(ip_pool, 'https://www.baidu.com/?tn=98010089_dg&ch=15')
print(data)

3.IP代理池与用户代理的组合使用

eg：用IP代理池与用户代理的组合的方式来增加访问量，这样更加安全

import urllib.request
import random
import urllib.error
#自定义UA_IP类，用来随机得到
def UA_IP(thisUrl):
    #构建用户代理池
    ua_pool = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.89 Safari/537.36',
        'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201',
        'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0'

    ]

    #构建ip代理池
    ip_pool = [
        '139.196.196.74',
        '112.124.47.21',
        '61.129.70.109',
        '221.229.166.55'
    ]

    thisUA = random.choice(ua_pool) #从用户代理池中随机选择一个用户代理
    thisIP = random.choice(ip_pool) #从IP代理池中随机选择一个IP代理
    headers = ('User-Agent', thisUA)    #构造报头
    #将IP格式化
    proxy = urllib.request.ProxyHandler({'http': thisIP})
    #装入IP代理
    opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
    #装入代理
    opener.addheaders = [headers]
    #将opener设置为全局
    urllib.request.install_opener(opener)
    #从网页爬取信息
    data = urllib.request.urlopen(thisUrl).read().decode('utf-8', 'gnore')
    return data

#网页池，后面从网页池中选择一个进行该网页信息的爬取
urls = [
    'https://mp.csdn.net/mdeditor/88323361#',
    'https://mp.csdn.net/mdeditor/88144295#',
    'https://mp.csdn.net/mdeditor/88144295#',
    'https://mp.csdn.net/mdeditor/88081609#'
]

#爬取1000次
for i in range(0, 1000):
    try:
        thisUrl = random.choice(urls)
        data = UA_IP(thisUrl)
        print(len(data))
    except urllib.error.HTTPError as e:
        if hasattr(e, 'code'):
            print(e.code)
        if hasattr(e, 'reason'):
            print(e.reason)

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/84809.html