0°

Python爬取大量数据时,如何防止IP被封

内容预览:
  • 当然防止被封IP肯定不止这些了,这还需要进一步探索! 最后 虽然数据我是...~
  • 所以接下来我准备了使用Python操作execl,mysql,mongoDB 推荐阅读: Pyth...~
  • 最后 :大家也可以加我个人微信:hg_liuzl,  注明:Python学习,拉你...~

原文始发于微信公众号(Python绿色通道):Python爬取大量数据时,如何防止IP被封

继续老套路,这两天我爬取了猪八戒上的一些数据 网址是:http://task.zbj.com/t-ppsj/p1s5.html,可能是由于爬取的数据量有点多吧,结果我的IP被封了,需要自己手动来验证解封ip,但这显然阻止了我爬取更多的数据了。

Python爬取大量数据时,如何防止IP被封


下面是我写的爬取猪八戒的被封IP的代码

# coding=utf-8
import requests
from lxml import etree

def getUrl():
   for i in range(33):
       url = 'http://task.zbj.com/t-ppsj/p{}s5.html'.format(i+1)
       spiderPage(url)

def spiderPage(url):
   if url is None:
       return None

   htmlText = requests.get(url).text
   selector = etree.HTML(htmlText)
   tds = selector.xpath('//*[@class="tab-switch tab-progress"]/table/tr')
   try:
       for td in tds:
           price = td.xpath('./td/p/em/text()')
           href = td.xpath('./td/p/a/@href')
           title = td.xpath('./td/p/a/text()')
           subTitle = td.xpath('./td/p/text()')
           deadline = td.xpath('./td/span/text()')
           price = price[0] if len(price)>0 else ''    # python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果
           title = title[0] if len(title)>0 else ''
           href = href[0] if len(href)>0 else ''
           subTitle = subTitle[0] if len(subTitle)>0 else ''
           deadline = deadline[0] if len(deadline)>0 else ''
           print price,title,href,subTitle,deadline
           print '---------------------------------------------------------------------------------------'
           spiderDetail(href)
   except:
       print '出错'


def spiderDetail(url):
   if url is None:
       return None

   try:
       htmlText = requests.get(url).text
       selector = etree.HTML(htmlText)
       aboutHref = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/a/@href')
       price = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/text()')
       title = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/h2/text()')
       contentDetail = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/div[1]/text()')
       publishDate = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/p/text()')
       aboutHref = aboutHref[0] if len(aboutHref) > 0 else ''  # python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果
       price = price[0] if len(price) > 0 else ''
       title = title[0] if len(title) > 0 else ''
       contentDetail = contentDetail[0] if len(contentDetail) > 0 else ''
       publishDate = publishDate[0] if len(publishDate) > 0 else ''
       print aboutHref,price,title,contentDetail,publishDate
   except:
     print '出错'

if '_main_':
 getUrl()

我发现代码运行完后,后面有几页数据没有被爬取,我再也没有办法去访问猪八戒网站了,等过了一段时间才能去访问他们的网站,这就很尴尬了,我得防止被封IP

如何防止爬取数据的时候被网站封IP这里有一些套路.查了一些套路

1.修改请求头

之前的爬虫代码没有添加头部,这里我添加了头部,模拟成浏览器去访问网站

        user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

       headers = {'User-Agent': user_agent}
       htmlText = requests.get(url, headers=headers, proxies=proxies).text
2.采用代理IP

当自己的ip被网站封了之后,只能采用代理ip的方式进行爬取,所以每次爬取的时候尽量用代理ip来爬取,封了代理还有代理。

这里我引用了这个博客的一段代码来生成ip地址:http://blog.csdn.net/lammonpeter/article/details/52917264

生成代理ip,大家可以直接把这个代码拿去用

# coding=utf-8
# 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 BeautifulSoup
import requests
import random

def 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_list

def 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 proxies

if __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)

好了我用上面的代码给我生成了一批ip地址(有些ip地址可能无效,但只要不封我自己的ip就可以了,哈哈),然后我就可以在我的请求头部添加ip地址

** 给我们的请求添加代理ip**

        proxies = {
           'http': 'http://124.72.109.183:8118',
           'http': 'http://49.85.1.79:31666'

       }
       user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

       headers = {'User-Agent': user_agent}
       htmlText = requests.get(url, headers=headers, timeout=3, proxies=proxies).text

目前知道的就

最后完整代码如下:

# coding=utf-8

import requests
import time
from lxml import etree

def getUrl():
   for i in range(33):
       url = 'http://task.zbj.com/t-ppsj/p{}s5.html'.format(i+1)
       spiderPage(url)


def spiderPage(url):
   if url is None:
       return None

   try:
       proxies = {
           'http': 'http://221.202.248.52:80',

       }
       user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

       headers = {'User-Agent': user_agent}
       htmlText = requests.get(url, headers=headers,proxies=proxies).text

       selector = etree.HTML(htmlText)
       tds = selector.xpath('//*[@class="tab-switch tab-progress"]/table/tr')
       for td in tds:
           price = td.xpath('./td/p/em/text()')
           href = td.xpath('./td/p/a/@href')
           title = td.xpath('./td/p/a/text()')
           subTitle = td.xpath('./td/p/text()')
           deadline = td.xpath('./td/span/text()')
           price = price[0] if len(price)>0 else ''    # python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果
           title = title[0] if len(title)>0 else ''
           href = href[0] if len(href)>0 else ''
           subTitle = subTitle[0] if len(subTitle)>0 else ''
           deadline = deadline[0] if len(deadline)>0 else ''
           print price,title,href,subTitle,deadline
           print '---------------------------------------------------------------------------------------'
           spiderDetail(href)
   except Exception,e:
       print '出错',e.message


def spiderDetail(url):
   if url is None:
       return None

   try:
       htmlText = requests.get(url).text
       selector = etree.HTML(htmlText)
       aboutHref = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/a/@href')
       price = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/text()')
       title = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/h2/text()')
       contentDetail = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/div[1]/text()')
       publishDate = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/p/text()')
       aboutHref = aboutHref[0] if len(aboutHref) > 0 else ''  # python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果
       price = price[0] if len(price) > 0 else ''
       title = title[0] if len(title) > 0 else ''
       contentDetail = contentDetail[0] if len(contentDetail) > 0 else ''
       publishDate = publishDate[0] if len(publishDate) > 0 else ''
       print aboutHref,price,title,contentDetail,publishDate
   except:
     print '出错'

if '_main_':
   getUrl()

Python爬取大量数据时,如何防止IP被封

数据全部爬取出来了,且我的IP也没有被封。当然防止被封IP肯定不止这些了,这还需要进一步探索!

最后

虽然数据我是已经抓取过来了,但是我的数据都没有完美呈现出来,只是呈现在我的控制台上,这并不完美,我应该写入execl文件或者数据库中啊,这样才能方便采用。所以接下来我准备了使用Python操作execl,mysql,mongoDB


推荐阅读:

Python爬虫:现学现用xpath爬取豆瓣音乐

Python爬虫系列:用邮件来通知爬虫异常状况

Python爬虫学前普及


的Python之旅

Python爬取大量数据时,如何防止IP被封

长按,识别二维码,加关注



目前100000+人已关注加入我们

Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封

Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封 Python爬取大量数据时,如何防止IP被封



关注公众号即可领取5T学习资料: 数据结构, 小程序, 前端, PHP, Java ,Android, Python, 大数据, 人工智能等!


公众号后台回复 红包,获取福利。


最后 :大家也可以加我个人微信:hg_liuzl,  注明:Python学习,拉你进群学习,一个纯粹的Python学习环境


和大佬一起学习网络安全知识

以上就是:Python爬取大量数据时,如何防止IP被封 的全部内容

本站部分内容来源于互联网和用户投稿,如有侵权请联系我们删除,谢谢^^
Email:[email protected]


0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论