个人中心
gpt4 book ai didi

通过Python爬虫代理IP快速增加博客阅读量

转载 作者：qq735679552 更新时间：2022-09-27 22:32:09 26 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章通过Python爬虫代理IP快速增加博客阅读量由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

写在前面 。

题目所说的并不是目的，主要是为了更详细的了解网站的反爬机制，如果真的想要提高博客的阅读量，优质的内容必不可少.

了解网站的反爬机制 。

一般网站从以下几个方面反爬虫:

1. 通过Headers反爬虫 。

从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）.

如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent复制到爬虫的Headers中；或者将Referer值修改为目标网站域名。对于检测Headers的反爬虫，在爬虫中修改或者添加Headers就能很好的绕过.

2. 基于用户行为反爬虫 。

还有一部分网站是通过检测用户行为，例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作.

大多数网站都是前一种情况，对于这种情况，使用IP代理就可以解决。我们可以将代理IP检测之后保存在文件当中,但这种方法并不可取，代理IP失效的可能性很高，因此从专门的代理IP网站实时抓取，是个不错的选择.

对于第二种情况，可以在每次请求后随机间隔几秒再进行下一次请求。有些有逻辑漏洞的网站，可以通过请求几次，退出登录，重新登录，继续请求来绕过同一账号短时间内不能多次进行相同请求的限制.

还有针对cookies，通过检查cookies来判断用户是否是有效用户，需要登录的网站常采用这种技术。更深入一点的还有，某些网站的登录会动态更新验证，如推酷登录时，会随机分配用于登录验证的authenticity_token，authenticity_token会和用户提交的登录名和密码一起发送回服务器.

3. 基于动态页面的反爬虫 。

有的时候将目标页面抓取下来，发现关键的信息内容空白一片，只有框架代码，这是因为该网站的信息是通过用户Post的XHR动态返回内容信息，解决这种问题的方法就是通过开发者工具（FireBug等）对网站流进行分析，找到单独的内容信息request（如Json），对内容信息进行抓取，获取所需内容.

更复杂一点的还有对动态请求加密的，参数无法解析，也就无法进行抓取。这种情况下，可以通过Mechanize，selenium RC，调用浏览器内核，就像真实使用浏览器上网那样抓取，可以最大限度的抓取成功，只不过效率上会打些折扣。笔者测试过，用urllib抓取拉勾网招聘信息30页所需时间为三十多秒，而用模拟浏览器内核抓取需要2——3分钟.

4. 限定某些IP访问 。

免费的代理IP可以从很多网站获取到，既然爬虫可以利用这些代理IP进行网站抓取，网站也可以利用这些代理IP反向限制，通过抓取这些IP保存在服务器上来限制利用代理IP进行抓取的爬虫.

进入正题 。

好了，现在实际操作一下，编写一个通过代理IP访问网站的爬虫.

首先获取代理IP，用来抓取.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def Get_proxy_ip():
  headers = {
  'Host' : 'www.xicidaili.com' ,
  'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)' ,
  'Accept' : r 'application/json, text/javascript, */*; q=0.01' ,
  'Referer' : r 'http://www.xicidaili.com/' ,
  }
  req = request.Request(r 'http://www.xicidaili.com/nn/' , headers = headers) #发布代理IP的网站
  response = request.urlopen(req)
  html = response.read().decode( 'utf-8' )
  proxy_list = []
  ip_list = re.findall(r '\d+\.\d+\.\d+\.\d+' ,html)
  port_list = re.findall(r '<td>\d+</td>' ,html)
  for i in range ( len (ip_list)):
  ip = ip_list[i]
  port = re.sub(r '<td>|</td>' , '', port_list[i])
  proxy = '%s:%s' % (ip,port)
  proxy_list.append(proxy)
  return proxy_list

顺带一提，有些网站会通过检查代理IP的真实IP来限制爬虫抓取。这里就要稍微提一下代理IP的知识.

代理IP里的“透明”“匿名”“高匿”分别是指?

透明代理的意思是客户端根本不需要知道有代理服务器的存在，但是它传送的仍然是真实的IP。使用透明IP，就无法绕过通过一定时间内IP访问次数的限制.

普通匿名代理能隐藏客户机的真实IP，但会改变我们的请求信息，服务器端有可能会认为我们使用了代理。不过使用此种代理时，虽然被访问的网站不能知道你的ip地址，但仍然可以知道你在使用代理，这样的IP就会被网站禁止访问.

高匿名代理不改变客户机的请求，这样在服务器看来就像有个真正的客户浏览器在访问它，这时客户的真实IP是隐藏的，网站就不会认为我们使用了代理.

综上所述，爬虫代理IP最好使用“高匿IP” 。

user_agent_list包含了目前主流浏览器请求的RequestHeaders的user-agent，通过它我们可以模仿各类浏览器的请求.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
user_agent_list = [
  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
   'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3' ,
  'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50' ,
  'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50' ,
  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)' ,
  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)' ,
  'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1' ,
  'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11' ,
  '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' ,
  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)' ,
  'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0' ,
  'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1' ,
]

通过设定随机等待时间来访问网站，可以绕过某些网站对于请求间隔的限制.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
def Proxy_read(proxy_list, user_agent_list, i):
  proxy_ip = proxy_list[i]
  print ( '当前代理ip：%s' % proxy_ip)
  user_agent = random.choice(user_agent_list)
  print ( '当前代理user_agent：%s' % user_agent)
  sleep_time = random.randint( 1 , 3 )
  print ( '等待时间：%s s' % sleep_time)
  time.sleep(sleep_time) #设置随机等待时间
  print ( '开始获取' )
  headers = {
  'Host' : 's9-im-notify.csdn.net' ,
  'Origin' : 'http://blog.csdn.net' ,
  'User-Agent' : user_agent,
  'Accept' : r 'application/json, text/javascript, */*; q=0.01' ,
  'Referer' : r 'http://blog.csdn.net/u010620031/article/details/51068703' ,
  }
  proxy_support = request.ProxyHandler({ 'http' :proxy_ip})
  opener = request.build_opener(proxy_support)
  request.install_opener(opener)
  req = request.Request(r 'http://blog.csdn.net/u010620031/article/details/51068703' ,headers = headers)
  try :
  html = request.urlopen(req).read().decode( 'utf-8' )
  except Exception as e:
  print ( '******打开失败！******' )
  else :
  global count
  count + = 1
  print ( 'OK!总计成功%s次！' % count)

以上就是爬虫使用代理的相关知识点，虽然还很浅显，但大部分场景是可以应付的了的.

附上源码 。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
#! /usr/bin/env python3
from urllib import request
import random
import time
import lxml
import re
user_agent_list = [
  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
   'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3' ,
  'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50' ,
  'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50' ,
  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)' ,
  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)' ,
  'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1' ,
  'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11' ,
  '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' ,
  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)' ,
  'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0' ,
  'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1' ,
]
count = 0
def Get_proxy_ip():
  headers = {
  'Host' : 'www.xicidaili.com' ,
  'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)' ,
  'Accept' : r 'application/json, text/javascript, */*; q=0.01' ,
  'Referer' : r 'http://www.xicidaili.com/' ,
  }
  req = request.Request(r 'http://www.xicidaili.com/nn/' , headers = headers)
  response = request.urlopen(req)
  html = response.read().decode( 'utf-8' )
  proxy_list = []
  ip_list = re.findall(r '\d+\.\d+\.\d+\.\d+' ,html)
  port_list = re.findall(r '<td>\d+</td>' ,html)
  for i in range ( len (ip_list)):
  ip = ip_list[i]
  port = re.sub(r '<td>|</td>' , '', port_list[i])
  proxy = '%s:%s' % (ip,port)
  proxy_list.append(proxy)
  return proxy_list
def Proxy_read(proxy_list, user_agent_list, i):
  proxy_ip = proxy_list[i]
  print ( '当前代理ip：%s' % proxy_ip)
  user_agent = random.choice(user_agent_list)
  print ( '当前代理user_agent：%s' % user_agent)
  sleep_time = random.randint( 1 , 3 )
  print ( '等待时间：%s s' % sleep_time)
  time.sleep(sleep_time)
  print ( '开始获取' )
  headers = {
  'Host' : 's9-im-notify.csdn.net' ,
  'Origin' : 'http://blog.csdn.net' ,
  'User-Agent' : user_agent,
  'Accept' : r 'application/json, text/javascript, */*; q=0.01' ,
  'Referer' : r 'http://blog.csdn.net/u010620031/article/details/51068703' ,
  }
  proxy_support = request.ProxyHandler({ 'http' :proxy_ip})
  opener = request.build_opener(proxy_support)
  request.install_opener(opener)
  req = request.Request(r 'http://blog.csdn.net/u010620031/article/details/51068703' ,headers = headers)
  try :
  html = request.urlopen(req).read().decode( 'utf-8' )
  except Exception as e:
  print ( '******打开失败！******' )
  else :
  global count
  count + = 1
  print ( 'OK!总计成功%s次！' % count)
if __name__ = = '__main__' :
  proxy_list = Get_proxy_ip()
  for i in range ( 100 ):
  Proxy_read(proxy_list, user_agent_list, i)

以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，同时也希望多多支持我！ 。

原文链接：http://www.cnblogs.com/Lands-ljk/p/5673017.html 。

最后此篇关于通过Python爬虫代理IP快速增加博客阅读量的文章就讲到这里了,如果你想了解更多关于通过Python爬虫代理IP快速增加博客阅读量的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

26 4 0
文章推荐： 放弃 Python 转向 Go语言有人给出了 9 大理由
文章推荐： 轩辕剑剑之源妮可厉害吗 妮可技能选择分析
文章推荐： python虚拟环境的安装配置图文教程
文章推荐： 轩辕剑剑之源慕容诗厉害吗 慕容诗技能选择分析
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
全站热门文章
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com