首页 > 编程 > Python > 正文

Python爬虫设置代理IP的方法(爬虫技巧)

2020-01-04 15:46:30
字体:
来源:转载
供稿:网友

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,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。

(一)配置环境

  • 安装requests库
  • 安装bs4库
  • 安装lxml库

(二)代码展示

# IP地址取自国内髙匿代理IP网站:http://www.xicidaili.com/nn/# 仅仅爬取首页IP地址就足够一般使用from bs4 import BeautifulSoupimport requestsimport randomdef get_ip_list(url, headers):  web_data = requests.get(url, headers=headers)  soup = BeautifulSoup(web_data.text, 'lxml')  ips = soup.find_all('tr')  ip_list = []  for i in range(1, len(ips)):    ip_info = ips[i]    tds = ip_info.find_all('td')    ip_list.append(tds[1].text + ':' + tds[2].text)  return ip_listdef get_random_ip(ip_list):  proxy_list = []  for ip in ip_list:    proxy_list.append('http://' + ip)  proxy_ip = random.choice(proxy_list)  proxies = {'http': proxy_ip}  return proxiesif __name__ == '__main__':  url = 'http://www.xicidaili.com/nn/'  headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'  }  ip_list = get_ip_list(url, headers=headers)  proxies = get_random_ip(ip_list)  print(proxies)函数get_ip_list(url, headers)传入url和headers,最后返回一个IP列表,列表的元素类似42.84.226.65:8888格式,这个列表包括国内髙匿代理IP网站首页所有IP地址和端口。 

函数get_random_ip(ip_list)传入第一个函数得到的列表,返回一个随机的proxies,这个proxies可以传入到requests的get方法中,这样就可以做到每次运行都使用不同的IP访问被爬取的网站,有效地避免了真实IP被封的风险。proxies的格式是一个字典:{‘http': ‘http://42.84.226.65:8888‘}

(三)代理IP的使用

运行上面的代码会得到一个随机的proxies,把它直接传入requests的get方法中即可。

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

总结

以上所述是小编给大家介绍的Python爬虫设置代理IP的方法(爬虫技巧),希望对大家有所帮助,如果大家有任何疑问欢迎给我留言,小编会及时回复大家的!


注:相关教程知识阅读请移步到python教程频道。
发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表