通过Python爬虫代理IP快速增加博客阅读量
写在前面
题目所说的并不是目的,主要是为了更详细的了解网站的反爬机制,如果真的想要提高博客的阅读量,优质的内容必不可少。
了解网站的反爬机制
一般网站从以下几个方面反爬虫:
1.通过Headers反爬虫
从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测,还有一部分网站会对Referer进行检测(一些资源网站的防盗链就是检测Referer)。
如果遇到了这类反爬虫机制,可以直接在爬虫中添加Headers,将浏览器的User-Agent复制到爬虫的Headers中;或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫,在爬虫中修改或者添加Headers就能很好的绕过。
2.基于用户行为反爬虫
还有一部分网站是通过检测用户行为,例如同一IP短时间内多次访问同一页面,或者同一账户短时间内多次进行相同操作。
大多数网站都是前一种情况,对于这种情况,使用IP代理就可以解决。我们可以将代理IP检测之后保存在文件当中,但这种方法并不可取,代理IP失效的可能性很高,因此从专门的代理IP网站实时抓取,是个不错的选择。
对于第二种情况,可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站,可以通过请求几次,退出登录,重新登录,继续请求来绕过同一账号短时间内不能多次进行相同请求的限制。
还有针对cookies,通过检查cookies来判断用户是否是有效用户,需要登录的网站常采用这种技术。更深入一点的还有,某些网站的登录会动态更新验证,如推酷登录时,会随机分配用于登录验证的authenticity_token,authenticity_token会和用户提交的登录名和密码一起发送回服务器。
3.基于动态页面的反爬虫
有的时候将目标页面抓取下来,发现关键的信息内容空白一片,只有框架代码,这是因为该网站的信息是通过用户Post的XHR动态返回内容信息,解决这种问题的方法就是通过开发者工具(FireBug等)对网站流进行分析,找到单独的内容信息request(如Json),对内容信息进行抓取,获取所需内容。
更复杂一点的还有对动态请求加密的,参数无法解析,也就无法进行抓取。这种情况下,可以通过Mechanize,seleniumRC,调用浏览器内核,就像真实使用浏览器上网那样抓取,可以最大限度的抓取成功,只不过效率上会打些折扣。笔者测试过,用urllib抓取拉勾网招聘信息30页所需时间为三十多秒,而用模拟浏览器内核抓取需要2——3分钟。
4.限定某些IP访问
免费的代理IP可以从很多网站获取到,既然爬虫可以利用这些代理IP进行网站抓取,网站也可以利用这些代理IP反向限制,通过抓取这些IP保存在服务器上来限制利用代理IP进行抓取的爬虫。
进入正题
好了,现在实际操作一下,编写一个通过代理IP访问网站的爬虫。
首先获取代理IP,用来抓取。
defGet_proxy_ip(): headers={ 'Host':'www.xicidaili.com', 'User-Agent':'Mozilla/4.0(compatible;MSIE7.0;WindowsNT6.0)', 'Accept':r'application/json,text/javascript,*/*;q=0.01', 'Referer':r'http://www.xicidaili.com/', } req=request.Request(r'http://www.xicidaili.com/nn/',headers=headers)#发布代理IP的网站 response=request.urlopen(req) html=response.read().decode('utf-8') proxy_list=[] ip_list=re.findall(r'\d+\.\d+\.\d+\.\d+',html) port_list=re.findall(r'<td>\d+</td>',html) foriinrange(len(ip_list)): ip=ip_list[i] port=re.sub(r'<td>|</td>','',port_list[i]) proxy='%s:%s'%(ip,port) proxy_list.append(proxy) returnproxy_list
顺带一提,有些网站会通过检查代理IP的真实IP来限制爬虫抓取。这里就要稍微提一下代理IP的知识。
代理IP里的“透明”“匿名”“高匿”分别是指?
透明代理的意思是客户端根本不需要知道有代理服务器的存在,但是它传送的仍然是真实的IP。使用透明IP,就无法绕过通过一定时间内IP访问次数的限制。
普通匿名代理能隐藏客户机的真实IP,但会改变我们的请求信息,服务器端有可能会认为我们使用了代理。不过使用此种代理时,虽然被访问的网站不能知道你的ip地址,但仍然可以知道你在使用代理,这样的IP就会被网站禁止访问。
高匿名代理不改变客户机的请求,这样在服务器看来就像有个真正的客户浏览器在访问它,这时客户的真实IP是隐藏的,网站就不会认为我们使用了代理。
综上所述,爬虫代理IP最好使用“高匿IP”
user_agent_list包含了目前主流浏览器请求的RequestHeaders的user-agent,通过它我们可以模仿各类浏览器的请求。
user_agent_list=[ 'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.36(KHTML,likeGecko)' 'Chrome/45.0.2454.85Safari/537.36115Browser/6.0.3', 'Mozilla/5.0(Macintosh;U;IntelMacOSX10_6_8;en-us)AppleWebKit/534.50(KHTML,likeGecko)Version/5.1Safari/534.50', 'Mozilla/5.0(Windows;U;WindowsNT6.1;en-us)AppleWebKit/534.50(KHTML,likeGecko)Version/5.1Safari/534.50', 'Mozilla/4.0(compatible;MSIE8.0;WindowsNT6.0;Trident/4.0)', 'Mozilla/4.0(compatible;MSIE7.0;WindowsNT6.0)', 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1', 'Opera/9.80(WindowsNT6.1;U;en)Presto/2.8.131Version/11.11', 'Mozilla/5.0(Macintosh;IntelMacOSX10_7_0)AppleWebKit/535.11(KHTML,likeGecko)Chrome/17.0.963.56Safari/535.11', 'Mozilla/4.0(compatible;MSIE7.0;WindowsNT5.1;Trident/4.0;SE2.XMetaSr1.0;SE2.XMetaSr1.0;.NETCLR2.0.50727;SE2.XMetaSr1.0)', 'Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;Trident/5.0', 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1', ]
通过设定随机等待时间来访问网站,可以绕过某些网站对于请求间隔的限制。
defProxy_read(proxy_list,user_agent_list,i): proxy_ip=proxy_list[i] print('当前代理ip:%s'%proxy_ip) user_agent=random.choice(user_agent_list) print('当前代理user_agent:%s'%user_agent) sleep_time=random.randint(1,3) print('等待时间:%ss'%sleep_time) time.sleep(sleep_time)#设置随机等待时间 print('开始获取') headers={ 'Host':'s9-im-notify.csdn.net', 'Origin':'http://blog.csdn.net', 'User-Agent':user_agent, 'Accept':r'application/json,text/javascript,*/*;q=0.01', 'Referer':r'http://blog.csdn.net/u010620031/article/details/51068703', } proxy_support=request.ProxyHandler({'http':proxy_ip}) opener=request.build_opener(proxy_support) request.install_opener(opener) req=request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers) try: html=request.urlopen(req).read().decode('utf-8') exceptExceptionase: print('******打开失败!******') else: globalcount count+=1 print('OK!总计成功%s次!'%count)
以上就是爬虫使用代理的相关知识点,虽然还很浅显,但大部分场景是可以应付的了的。
附上源码
#!/usr/bin/envpython3 fromurllibimportrequest importrandom importtime importlxml importre user_agent_list=[ 'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.36(KHTML,likeGecko)' 'Chrome/45.0.2454.85Safari/537.36115Browser/6.0.3', 'Mozilla/5.0(Macintosh;U;IntelMacOSX10_6_8;en-us)AppleWebKit/534.50(KHTML,likeGecko)Version/5.1Safari/534.50', 'Mozilla/5.0(Windows;U;WindowsNT6.1;en-us)AppleWebKit/534.50(KHTML,likeGecko)Version/5.1Safari/534.50', 'Mozilla/4.0(compatible;MSIE8.0;WindowsNT6.0;Trident/4.0)', 'Mozilla/4.0(compatible;MSIE7.0;WindowsNT6.0)', 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1', 'Opera/9.80(WindowsNT6.1;U;en)Presto/2.8.131Version/11.11', 'Mozilla/5.0(Macintosh;IntelMacOSX10_7_0)AppleWebKit/535.11(KHTML,likeGecko)Chrome/17.0.963.56Safari/535.11', 'Mozilla/4.0(compatible;MSIE7.0;WindowsNT5.1;Trident/4.0;SE2.XMetaSr1.0;SE2.XMetaSr1.0;.NETCLR2.0.50727;SE2.XMetaSr1.0)', 'Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;Trident/5.0', 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1', ] count=0 defGet_proxy_ip(): headers={ 'Host':'www.xicidaili.com', 'User-Agent':'Mozilla/4.0(compatible;MSIE7.0;WindowsNT6.0)', 'Accept':r'application/json,text/javascript,*/*;q=0.01', 'Referer':r'http://www.xicidaili.com/', } req=request.Request(r'http://www.xicidaili.com/nn/',headers=headers) response=request.urlopen(req) html=response.read().decode('utf-8') proxy_list=[] ip_list=re.findall(r'\d+\.\d+\.\d+\.\d+',html) port_list=re.findall(r'<td>\d+</td>',html) foriinrange(len(ip_list)): ip=ip_list[i] port=re.sub(r'<td>|</td>','',port_list[i]) proxy='%s:%s'%(ip,port) proxy_list.append(proxy) returnproxy_list defProxy_read(proxy_list,user_agent_list,i): proxy_ip=proxy_list[i] print('当前代理ip:%s'%proxy_ip) user_agent=random.choice(user_agent_list) print('当前代理user_agent:%s'%user_agent) sleep_time=random.randint(1,3) print('等待时间:%ss'%sleep_time) time.sleep(sleep_time) print('开始获取') headers={ 'Host':'s9-im-notify.csdn.net', 'Origin':'http://blog.csdn.net', 'User-Agent':user_agent, 'Accept':r'application/json,text/javascript,*/*;q=0.01', 'Referer':r'http://blog.csdn.net/u010620031/article/details/51068703', } proxy_support=request.ProxyHandler({'http':proxy_ip}) opener=request.build_opener(proxy_support) request.install_opener(opener) req=request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers) try: html=request.urlopen(req).read().decode('utf-8') exceptExceptionase: print('******打开失败!******') else: globalcount count+=1 print('OK!总计成功%s次!'%count) if__name__=='__main__': proxy_list=Get_proxy_ip() foriinrange(100): Proxy_read(proxy_list,user_agent_list,i)
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,同时也希望多多支持毛票票!