如何解决爬虫的IP地址受限问题
1、放慢爬取速度,减小对于目标网站造成的压力。但是这样会减少单位时间类的爬取量。
第二种方法是通过设置IP等手段,突破反爬虫机制继续高频率爬取。网站的反爬机制会检查来访的IP地址,为了防止IP被封,这时就可以使用HTTP,来切换不同的IP爬取内容。使用代理IP简单的来讲就是让代理服务器去帮我们得到网页内容,然后再转发回我们的电脑。要选择高匿的ip,IPIDEA提供高匿稳定的IP同时更注重用户隐私的保护,保障用户的信息安全。
2、这样目标网站既不知道我们使用代理,更不会知道我们真实的IP地址。
3、建立IP池,池子尽可能的大,且不同IP均匀轮换。
如果你需要大量爬去数据,建议你使用HTTP代理IP,在IP被封掉之前或者封掉之后迅速换掉该IP,这里有个使用的技巧是循环使用,在一个IP没有被封之前,就换掉,过一会再换回来。这样就可以使用相对较少的IP进行大量访问。
1、简介
使用同一个ip频繁爬取一个网站,久了之后会被该网站的服务器屏蔽。所以这个时候需要使用代理服务器。通过ip欺骗的方式去爬取网站
可以使用http://yumiqianyuecomcom/proxy中找到很多服务器代理地址
2、应用
# -coding:utf-8-
from urllib import request
def use_porxy(porxy_addr,url):
porxy = requestProxyHandler({'http':porxy_addr})
opener = requestbuild_opener(porxy, requestProxyHandler)
requestinstall_opener(opener)
data = requesturlopen(url)read()decode('utf-8')
return data
data = use_porxy("11411518259:128","http://wwwbaiducom")
print(len(data))
先网站上在线提取代理IP,提取数量、代理协议、端口位数等都可以自定义
然后 生成api链接,复制或打开链接,就可以使用提取的ip了
import requests
base_url = 'https://wwwbaiducom'
response = requestsget(base_url)
url=请求url,
headers =请求头字典,
params = 请求参数字典。
timeout = 超时时长,
)---->response对象
服务器响应包含:状态行(协议,状态码)、响应头,空行,响应正文
字符串格式:responsetext
bytes类型:responsecontent
responseheaders['cookie']
responsetext获取到的字符串类型的响应正文,
其实是通过下面的步骤获取的:
responsetext = responsecontentdecode(responseencoding)
产生的原因:编码和解码的编码格式不一致造成的。
strencode('编码')---将字符串按指定编码解码成bytes类型
bytesdecode('编码')---将bytes类型按指定编码编码成字符串。
a、responsecontentdecode('页面正确的编码格式')
<meta http-equiv="content-type" content="text/html;charset=utf-8">
b、找到正确的编码,设置到responseencoding中
responseencoding = 正确的编码
responsetext--->正确的页面内容。
a、没有请求参数的情况下,只需要确定url和headers字典。
b、get请求是有请求参数。
在chrome浏览器中,下面找query_string_params,
将里面的参数封装到params字典中。
c、分页主要是查看每页中,请求参数页码字段的变化,
找到变化规律,用for循环就可以做到分页。
requestspost(
url=请求url,
headers = 请求头字典,
data=请求数据字典
timeout=超时时长
)---response对象
post请求一般返回数据都是json数据。
(1)responsejson()--->json字符串所对应的python的list或者dict
(2)用 json 模块。
jsonloads(json_str)---->json_data(python的list或者dict)
jsondumps(json_data)--->json_str
post请求能否成功,关键看请求参数。
如何查找是哪个请求参数在影响数据获取?
--->通过对比,找到变化的参数。
变化参数如何找到参数的生成方式,就是解决这个ajax请求数据获取的途径。
寻找的办法有以下几种:
(1)写死在页面。
(2)写在js中。
(3)请求参数是在之前的一条ajax请求的数据里面提前获取好的。
代理形象的说,他是网络信息中转站。
实际上就是在本机和服务器之间架了一座桥。
a、突破自身ip访问现实,可以访问一些平时访问不到网站。
b、访问一些单位或者团体的资源。
c、提高访问速度。代理的服务器主要作用就是中转,
所以一般代理服务里面都是用内存来进行数据存储的。
d、隐藏ip。
FTP代理服务器---21,2121
HTTP代理服务器---80,8080
SSL/TLS代理:主要用访问加密网站。端口:443
telnet代理 :主要用telnet远程控制,端口一般为23
高度匿名代理:数据包会原封不动转化,在服务段看来,就好像一个普通用户在访问,做到完全隐藏ip。
普通匿名代理:数据包会做一些改动,服务器有可能找到原ip。
透明代理:不但改动数据,还会告诉服务,是谁访问的。
间谍代理:指组织或者个人用于记录用户传输数据,然后进行研究,监控等目的的代理。
proxies = {
'代理服务器的类型':'**'
}
response = requestsget(proxies = proxies)
代理服务器的类型:http,https,ftp
**:http://ip:port
httpClientgetHostConfiguration()setProxy(dynamicIpgetIp(), dynamicIpgetPort());
这样可以,我这里dynamicIp是从redis里随机取的,有个定时任务去取代理IP放redis里面
0条评论