Python 爬虫基础:使用代理 IP 和随机 UA 绕过反爬机制

本周事情比较多,又要赶项目,又要搞毕设,而且住的地方也远了,来回挺不方便的,所以......

所以......其实上面的都是借口,真正的原因是,本周我受人委托,去爬一些 3D 模型的网站,但是这些网站的反爬机制实在强的可怕,账号登陆时有特别复杂的图形验证码(类似于12306的那种,让选哪张图中有小汽车,热水壶等类的问题,),下载链接也并不是网页中提供的那个,而是通过一系列复杂的 js 脚本函数计算出来的,实在是头都快大了,下周如果还搞不好的话,我就只好用 selenium 来爬了。

 

不过事情虽然耽误了,但是每周一篇的爬虫文章还是要雷打不动的写的。想来想去,那就分享一下我挂代理 IP 和随机 UA 的方法吧。这些作为一个技术点,可以为爬虫“保驾护航”,一定程度上骗过服务器的反爬机制。

 

写在前面的话


本篇文章参考自(https://blog.csdn.net/qq_41782425/article/details/84993073),博主提出了一种在线获取代理 IP 的方法,可以保证获取到的代理 IP 均是最新的可用的,特别感谢。

在爬取网站的时候,经常会遇到一个问题,就是很多网站上都部署了反爬虫机制,当服务器检测到一段时间内同一个 IP 持续密集的访问网站,则将其判定为爬虫程序,在一段时间内不允许该 IP 地址访问服务器。

如果平时没什么事儿的话,可以写个延迟函数,每爬一次随机歇个几秒钟,这样可以很有效的降低访问密度,从而避开反爬机制。但是,这样的话太浪费时间了,几万条数据可能要爬一整天。有时候我们需要更加有效率的爬取数据,所以需要使用代理 IP 和随机 UA(User-Agent)。说白了就是伪装爬虫,假装不同的人使用不同的浏览器在访问网站。

 

使用代理 IP 


之前我了解到的使用代理 IP 的方法,一般都是提前从一些免费的代理网站上爬取免费代理,存在本地或者数据库中,使用的时候再进行读取。

但是这样做有个小问题就是,免费的代理 IP 存活时间都特别短暂,从几十秒到几十分钟不等,我之前整过几次,每次爬完 IP 之后,到用的时候,已经有一半左右的IP已经失效了。感觉不是特别好用,就没在搞了。

后来看到这位大佬的思路之后,我才重新发现了使用代理 IP 的强大之处。它在爬虫运行的同时,在线获取代理 IP。每次只获取一页,存于数组中,随机使用。当大部分的 IP 失效之后(记录访问失败的次数,当超过一定阈值时,则视为此页代理 IP 失效),然后重新获取一页代理 IP,如此,可保证每次使用的都是最新的 IP,而且不需要额外的空间和文件来存放代理 IP。

    def get_proxy(page):
        '''
        功能:获取 快代理 网站上的最新免费代理IP
        参数: page 页数
        返回:存有代理 IP 的列表 proxyList
        '''
        
        # 存放获取到的代理 IP 信息
        proxyList = []

        # 访问 快代理 网站,获取第 page 页的网页信息
        headers = {
            "User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
        }
        request = urllib.request.Request("https://www.kuaidaili.com/free/inha/"+str(page), headers=headers)
        html = urllib.request.urlopen(request).read()
        
        # 解析网页信息,从中提取代理 ip 的数据
        content = etree.HTML(html)
        ip = content.xpath('//td[@data-title="IP"]/text()')
        port = content.xpath('//td[@data-title="PORT"]/text()')
 
        # 将代理 ip 信息存入 proxyList 列表
        for i in ip:
            for p in port:
                proxyList.append(i+':'+p)

        return proxyList

 

使用随机 UA


UA,即 User-Agent ,使用它可以将我们的爬虫伪装成浏览器,让对方以为是真人在使用浏览器访问,从而骗过目标网站的反爬机制。但是使用固定的 UA 去爬也是会有问题的,你想嘛,假如你发现最近几个小时内来访问的几万个用户,用的都是同一个浏览器,你还会认为对面是真人吗?不封它封谁!

所以,为了让我们的爬虫更像真人在使用,我们不仅要为它设置 UA,还要使用随机 UA(让对方服务器开心的以为有好多的用户在访问呢)。

这是 UA 列表,截取了部分,这个在网上随便一找就能找到好多。

    USER_AGENTS = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60',
        'Opera/8.0 (Windows NT 5.1; U; en)',
        'Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50',
        'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0',
        'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36',
        'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',
        'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)',
        'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0',
        'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'
    ]

使用的时候,直接使用随机函数 random.choice() 来从列表中选择选择一个。

使用方法可以参考以下代码:

user_agent = random.choice(USER_AGENTS)
proxy = random.choice(proxyList)

url = 'https://blog.csdn.net/wenxuhonghe/article/details/85036674'
            
headers = {
    "Connection": "keep-alive",
    "Cache-Control": "max-age=0",
    "Upgrade-Insecure-Requests": "1",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
    "Accept-Language": "zh-CN,zh;q=0.9",
    "Cookie": ""
    }

try:
    # 构建一个Handler处理器对象,参数是一个字典类型,包括代理类型和代理服务器IP+PROT
    httpproxy_handler = urllib.request.ProxyHandler({"http": proxy})
    opener = urllib.request.build_opener(httpproxy_handler)
    urllib.request.install_opener(opener)
    request = urllib.request.Request(url,headers=headers)
    request.add_header("User-Agent", user_agent)
    response = urllib.request.urlopen(request)
    html = response.read()
                
    # 解析目标页面,提取相关信息
    parse_data(html)

    time.sleep(1)

except Exception as result:
    print ("错误信息:%s"%(result))

 

写在后面的话


上面介绍了如何使用代理 ip 和 随机 ua 来避开网站的反爬虫机制,实现高效率的数据爬取。

本文中使用的方法亲测可用,但是代码并非全部源码,不保证代码可以直接复制粘贴使用,建议大家理解原理之后,根据自己的爬虫项目需要进行相应的调整。

 

如果文章中有哪里没有讲明白,或者讲解有误的地方,欢迎在评论区批评指正,或者扫描下面的二维码,加我微信,大家一起学习交流,共同进步。 

©️2020 CSDN 皮肤主题: 黑客帝国 设计师:上身试试 返回首页