您当前的位置:首页 > 电脑百科 > 程序开发 > 语言 > Python

Python爬取大量数据时,如何防止IP被封 !这点非常重要

时间:2019-10-29 10:37:49  来源:  作者:

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 !这点非常重要

 

私信小编01 获取源代码!

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 !这点非常重要

 

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



Tags:Python IP被封   点击:()  评论:()
声明:本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,如有任何标注错误或版权侵犯请与我们联系(Email:2595517585@qq.com),我们将及时更正、删除,谢谢。
▌相关推荐
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...【详细内容】
2019-10-29  Tags: Python IP被封  点击:(69)  评论:(0)  加入收藏
▌简易百科推荐
大家好,我是菜鸟哥,今天跟大家一起聊一下Python4的话题! 从2020年的1月1号开始,Python官方正式的停止了对于Python2的维护。Python也正式的进入了Python3的时代。而随着时间的...【详细内容】
2021-12-28  菜鸟学python    Tags:Python4   点击:(1)  评论:(0)  加入收藏
学习Python的初衷是因为它的实践的便捷性,几乎计算机上能完成的各种操作都能在Python上找到解决途径。平时工作需要在线学习。而在线学习的复杂性经常让人抓狂。费时费力且效...【详细内容】
2021-12-28  风度翩翩的Python    Tags:Python   点击:(1)  评论:(0)  加入收藏
Python 是一个很棒的语言。它是世界上发展最快的编程语言之一。它一次又一次地证明了在开发人员职位中和跨行业的数据科学职位中的实用性。整个 Python 及其库的生态系统使...【详细内容】
2021-12-27  IT资料库    Tags:Python 库   点击:(2)  评论:(0)  加入收藏
菜单驱动程序简介菜单驱动程序是通过显示选项列表从用户那里获取输入并允许用户从选项列表中选择输入的程序。菜单驱动程序的一个简单示例是 ATM(自动取款机)。在交易的情况下...【详细内容】
2021-12-27  子冉爱python    Tags:Python   点击:(4)  评论:(0)  加入收藏
有不少同学学完Python后仍然很难将其灵活运用。我整理15个Python入门的小程序。在实践中应用Python会有事半功倍的效果。01 实现二元二次函数实现数学里的二元二次函数:f(x,...【详细内容】
2021-12-22  程序汪小成    Tags:Python入门   点击:(32)  评论:(0)  加入收藏
Verilog是由一个个module组成的,下面是其中一个module在网表中的样子,我只需要提取module名字、实例化关系。module rst_filter ( ...); 端口声明... wire定义......【详细内容】
2021-12-22  编程啊青    Tags:Verilog   点击:(9)  评论:(0)  加入收藏
运行环境 如何从 MP4 视频中提取帧 将帧变成 GIF 创建 MP4 到 GIF GUI ...【详细内容】
2021-12-22  修道猿    Tags:Python   点击:(6)  评论:(0)  加入收藏
面向对象:Object Oriented Programming,简称OOP,即面向对象程序设计。类(Class)和对象(Object)类是用来描述具有相同属性和方法对象的集合。对象是类的具体实例。比如,学生都有...【详细内容】
2021-12-22  我头秃了    Tags:python   点击:(9)  评论:(0)  加入收藏
所谓内置函数,就是Python提供的, 可以直接拿来直接用的函数,比如大家熟悉的print,range、input等,也有不是很熟,但是很重要的,如enumerate、zip、join等,Python内置的这些函数非常...【详细内容】
2021-12-21  程序员小新ds    Tags:python初   点击:(5)  评论:(0)  加入收藏
Hi,大家好。我们在接口自动化测试项目中,有时候需要一些加密。今天给大伙介绍Python实现各种 加密 ,接口加解密再也不愁。目录一、项目加解密需求分析六、Python加密库PyCrypto...【详细内容】
2021-12-21  Python可乐    Tags:Python   点击:(8)  评论:(0)  加入收藏
最新更新
栏目热门
栏目头条