爬虫-IP地址、selenium

最新推荐文章于 2024-03-25 11:45:38 发布

浮汐

最新推荐文章于 2024-03-25 11:45:38 发布

阅读量1.4k

点赞数 1

分类专栏： python

本文链接：https://blog.csdn.net/xfxlesson/article/details/105756358

版权

本文探讨了在爬虫中如何处理IP被封的问题，包括修改请求头、使用代理IP以及验证代理IP的有效性。同时，介绍了Selenium的用途——模拟浏览器操作，以及在爬虫中使用session和cookie来处理动态网页，特别是模拟登录网站的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

IP地址

QA：

1.为什么会出现IP被封

网站为了防止被爬取，会有反爬机制，对于同一个IP地址的大量同类型的访问，会封锁IP，过一段时间后，才能继续访问

2.如何应对IP被封的问题

有几种套路：

修改请求头，模拟浏览器（而不是代码去直接访问）去访问
采用代理IP并轮换
设置访问时间间隔

3.如何获取代理IP地址

从该网站获取： https://www.xicidaili.com/
inspect -> 鼠标定位：
要获取的代理IP地址，属于class = "odd"标签的内容：代码如下，获取的代理IP保存在proxy_ip_list列表中

获取IP

# 案例代码
from bs4 import BeautifulSoup
import requests
import time

# 解析网页信息
def open_proxy_url(url):
    user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
    headers = {
   'User-Agent': user_agent}
    try:
        r = requests.get(url, headers = headers, timeout = 20)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return(r.text)
    except:
        print('无法访问网页' + url)

# 收集IP地址
# def get_proxy_ip(response):
#     proxy_ip_list = []
#     soup = BeautifulSoup(response, 'html.parser')
#     proxy_ips  = soup.select('.odd')#选择标签
#     for proxy_ip in proxy_ips:
#         ip = proxy_ip.select('td')[1].text
#         port = proxy_ip.select('td')[2].text
#         protocol = proxy_ip.select('td')[5].text
#         if protocol in ('HTTP','HTTPS'):
#             proxy_ip_list.append(f'{protocol}://{ip}:{port}')
#     return proxy_ip_list

def get_proxy_ip(response):
    proxy_ip_list = []
    soup = BeautifulSoup(response, 'html.parser')
    # 通过bs4的find_all(‘tr’)来获取所有IP：
    proxy_ips = soup.find(id = 'ip_list').find_all('tr')
    for proxy_ip in proxy_ips:
        if len(proxy_ip.select('td')) >=8:
            ip = proxy_ip.select('td')[1].text
            port = proxy_ip.select('td')[2].text
            protocol = proxy_ip.select('td')[5].text
            if protocol in ('HTTP','HTTPS','http','https'):
                proxy_ip_list.append(f'{protocol}://{ip}:{port}')
    return proxy_ip_list

# 主程序
if __name__ == '__main__':
    proxy_url = 'https://www.xicidaili.com/'
    text = open_proxy_url(proxy_url)
    proxy_ip_filename = 'proxy_ip.txt'
    with open(proxy_ip_filename, 'w') as f:
        f.write(text

最低0.47元/天解锁文章