详解爬虫被封的问题

时间:2021-05-22

如果你在爬虫过程中有遇到“您的请求太过频繁,请稍后再试”,或者说代码完全正确,可是爬虫过程中突然就访问不了,那么恭喜你,你的爬虫被对方识破了,轻则给予友好提示警告,严重的可能会对你的ip进行封禁,所以代理ip那就尤为重要了。今天我们就来谈一下代理IP,去解决爬虫被封的问题。

网上有许多代理ip,免费的、付费的。大多数公司爬虫会买这些专业版,对于普通人来说,免费的基本满足我们需要了,不过免费有一个弊端,时效性不强,不稳定,所以我们就需要对采集的ip进行一个简单的验证。

1.目标采集

本文主要针对西刺代理,这个网站很早之前用过,不过那个时候它还提供免费的api,现在api暂不提供了,我们就写个简单的爬虫去采集。

打开西刺代理,有几个页面,果断选择高匿代理。

Chrome浏览器右键检查查看network,不难发现,每个ip地址都在td标签中,对于我们来说就简单许多了,初步的想法就是获取所有的ip,然后校验可用性,不可用就剔除。

定义匹配规则

import reip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>') # 匹配IPport_compile = re.compile(r'<td>(\d+)</td>') # 匹配端口

2.校验 这里我使用淘宝ip地址库检验可用性

2.1、关于淘宝IP地址库

目前提供的服务包括:

  • 1. 根据用户提供的IP地址,快速查询出该IP地址所在的地理信息和地理相关的信息,包括国家、省、市和运营商。
  • 2. 用户可以根据自己所在的位置和使用的IP地址更新我们的服务内容。
  • 我们的优势:

  • 1. 提供国家、省、市、县、运营商全方位信息,信息维度广,格式规范。
  • 2. 提供完善的统计分析报表,省准确度超过99.8%,市准确度超过96.8%,数据质量有保障。
  • 2.2、接口说明

    请求接口(GET):
    ip.taobao.com/service/get…
    例:http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44
    响应信息:
    (json格式的)国家 、省(自治区或直辖市)、市(县)、运营商
    返回数据格式:

    {"code":0,"data":{"ip":"210.75.225.254","country":"\u4e2d\u56fd","area":"\u534e\u5317","region":"\u5317\u4eac\u5e02","city":"\u5317\u4eac\u5e02","county":"","isp":"\u7535\u4fe1","country_id":"86","area_id":"100000","region_id":"110000","city_id":"110000","county_id":"-1","isp_id":"100017"}}

    其中code的值的含义为,0:成功,1:失败。
    注意:为了保障服务正常运行,每个用户的访问频率需小于10qps。
    我们先通过浏览器测试一下

    输入地址http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44

    再次输入一个地址http://ip.taobao.com/service/getIpInfo2.php?ip=112.85.168.98

    代码操作

    import requestscheck_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="api = check_api + iptry: response = requests.get(url=api, headers=api_headers, timeout=2) print("ip:%s 可用" % ip)except Exception as e: print("此ip %s 已失效:%s" % (ip, e))

    3.代码
    代码中加入了异常处理,其实自己手写的demo写不写异常处理都可以,但是为了方便其他人调试,建议在可能出现异常的地方加入异常处理。

    import requestsimport reimport randomfrom bs4 import BeautifulSoupua_list = [ "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36", "Mozilla / 5.0(Windows NT 6.1;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 45.0.2454.101Safari / 537.36" ]def ip_parse_xici(page): """ :param page: 采集的页数 :return: """ ip_list = [] for pg in range(1, int(page)): url = 'http://'headers = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",}proxies = { "http": "http://111.177.181.44:9999", # "https": "https://111.177.181.44:9999",}res = requests.get(url=url, headers=headers, proxies=proxies)

    好了,妈妈再也不担心我爬虫被封了

    以上所述是小编给大家介绍的爬虫被封的问题详解整合,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对网站的支持!

    声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

    相关文章