предисловие
Искатели Python должны пройти через процесс искателей, их ограничения и анти-ограничения для искателей. Конечно, в последующем веб-сканер ограничит оптимизацию, и сканер отменит ограничение ряда процессов высотой в один фут и высотой в один чжан. На начальном этапе работы краулера добавление заголовков и ip proxy может решить многие проблемы.
Когда я сканировал Douban на чтение, то думал, что количество сканирований слишком много, и меня прямо заблокировали по IP.Позже я изучил проблему IP-прокси.
(Я не знал, что происходит в то время, и я почти потерял сознание...), позвольте мне представить вам проблему сканирования данных моего собственного IP-прокси, пожалуйста, укажите на недостатки.
проблема
Это мой IP блокируется, сначала все было нормально, я думал, что это проблема с моим кодом
Идеи:
Я нашел некоторую информацию об IP-адресе прокси-сервера в Интернете и получил следующие идеи.
- Просканируйте некоторые IP-адреса и отфильтруйте недоступные.
- Добавьте соответствующий IP-адрес в параметр прокси запроса запросов.
- Продолжайте ползать.
- сбить
- Ну ерунда это все, теория всем понятна, а код прямо выше...
Когда у вас есть идея, приступайте.
Рабочая среда
Python 3.7, Pycharm
Они требуют, чтобы каждый непосредственно создавал хорошую среду...
Готов к работе
- сканирование IP-адресаВеб-сайт(Внутренний высокоанонимный агент)
- проверить IP-адресВеб-сайт
- Скрипт py-краулера вашего ранее заблокированного IP-адреса...
Приведенный выше URL-адрес зависит от конкретной ситуации.
Полный код для сканирования IP
PS: Просто используйте bs4, чтобы получить IP и номер порта, это не сложно, и добавлена логика для фильтрации недоступных IP.
Ключевые моменты отмечены
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2018/11/22
# @Author : liangk
# @Site :
# @File : auto_archive_ios.py
# @Software: PyCharm
import requests
from bs4 import BeautifulSoup
import json
class GetIp(object):
"""抓取代理IP"""
def __init__(self):
"""初始化变量"""
self.url = 'http://www.xicidaili.com/nn/'
self.check_url = 'https://www.ip.cn/'
self.ip_list = []
@staticmethod
def get_html(url):
"""请求html页面信息"""
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
try:
request = requests.get(url=url, headers=header)
request.encoding = 'utf-8'
html = request.text
return html
except Exception as e:
return ''
def get_available_ip(self, ip_address, ip_port):
"""检测IP地址是否可用"""
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
ip_url_next = '://' + ip_address + ':' + ip_port
proxies = {'http': 'http' + ip_url_next, 'https': 'https' + ip_url_next}
try:
r = requests.get(self.check_url, headers=header, proxies=proxies, timeout=3)
html = r.text
except:
print('fail-%s' % ip_address)
else:
print('success-%s' % ip_address)
soup = BeautifulSoup(html, 'lxml')
div = soup.find(class_='well')
if div:
print(div.text)
ip_info = {'address': ip_address, 'port': ip_port}
self.ip_list.append(ip_info)
def main(self):
"""主方法"""
web_html = self.get_html(self.url)
soup = BeautifulSoup(web_html, 'lxml')
ip_list = soup.find(id='ip_list').find_all('tr')
for ip_info in ip_list:
td_list = ip_info.find_all('td')
if len(td_list) > 0:
ip_address = td_list[1].text
ip_port = td_list[2].text
# 检测IP地址是否有效
self.get_available_ip(ip_address, ip_port)
# 写入有效文件
with open('ip.txt', 'w') as file:
json.dump(self.ip_list, file)
print(self.ip_list)
# 程序主入口
if __name__ == '__main__':
get_ip = GetIp()
get_ip.main()
Полный код метода использования
PS: в основном с использованием случайного IP-адреса для сканирования в соответствии с request_status, чтобы определить, можно ли использовать этот IP-адрес.
Зачем так судить?
Основная причина в том, что, хотя приведенное выше было отфильтровано, это не означает, что его можно использовать при сканировании, поэтому вам все равно нужно делать больше суждений.
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2018/11/22
# @Author : liangk
# @Site :
# @File : get_douban_books.py
# @Software: PyCharm
from bs4 import BeautifulSoup
import datetime
import requests
import json
import random
ip_random = -1
article_tag_list = []
article_type_list = []
def get_html(url):
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'
}
global ip_random
ip_rand, proxies = get_proxie(ip_random)
print(proxies)
try:
request = requests.get(url=url, headers=header, proxies=proxies, timeout=3)
except:
request_status = 500
else:
request_status = request.status_code
print(request_status)
while request_status != 200:
ip_random = -1
ip_rand, proxies = get_proxie(ip_random)
print(proxies)
try:
request = requests.get(url=url, headers=header, proxies=proxies, timeout=3)
except:
request_status = 500
else:
request_status = request.status_code
print(request_status)
ip_random = ip_rand
request.encoding = 'gbk'
html = request.content
print(html)
return html
def get_proxie(random_number):
with open('ip.txt', 'r') as file:
ip_list = json.load(file)
if random_number == -1:
random_number = random.randint(0, len(ip_list) - 1)
ip_info = ip_list[random_number]
ip_url_next = '://' + ip_info['address'] + ':' + ip_info['port']
proxies = {'http': 'http' + ip_url_next, 'https': 'https' + ip_url_next}
return random_number, proxies
# 程序主入口
if __name__ == '__main__':
"""只是爬取了书籍的第一页,按照评价排序"""
start_time = datetime.datetime.now()
url = 'https://book.douban.com/tag/?view=type&icn=index-sorttags-all'
base_url = 'https://book.douban.com/tag/'
html = get_html(url)
soup = BeautifulSoup(html, 'lxml')
article_tag_list = soup.find_all(class_='tag-content-wrapper')
tagCol_list = soup.find_all(class_='tagCol')
for table in tagCol_list:
""" 整理分析数据 """
sub_type_list = []
a = table.find_all('a')
for book_type in a:
sub_type_list.append(book_type.text)
article_type_list.append(sub_type_list)
for sub in article_type_list:
for sub1 in sub:
title = '==============' + sub1 + '=============='
print(title)
print(base_url + sub1 + '?start=0' + '&type=S')
with open('book.text', 'a', encoding='utf-8') as f:
f.write('\n' + title + '\n')
f.write(url + '\n')
for start in range(0, 2):
# (start * 20) 分页是0 20 40 这样的
# type=S是按评价排序
url = base_url + sub1 + '?start=%s' % (start * 20) + '&type=S'
html = get_html(url)
soup = BeautifulSoup(html, 'lxml')
li = soup.find_all(class_='subject-item')
for div in li:
info = div.find(class_='info').find('a')
img = div.find(class_='pic').find('img')
content = '书名:<%s>' % info['title'] + ' 书本图片:' + img['src'] + '\n'
print(content)
with open('book.text', 'a', encoding='utf-8') as f:
f.write(content)
end_time = datetime.datetime.now()
print('耗时: ', (end_time - start_time).seconds)
Зачем выбирать отечественного высокого анонимного агента!
Суммировать
Используя такие простые прокси-IP, в основном вы можете справиться с ползуным корпусом заблокированного IP. И не используйте свою собственную IP, косвенную защиту?!?!
У всех есть другие более быстрые способы, вы можете приветствовать вас для обмена и обсуждения, спасибо.
благодарный
благодарныйГоршок столовый большой GXCYUZY, благодарныйбольшой настольный горшок lhfСпасибо обоим для их поддержки.