反IP反爬虫方法
本文介绍一种基于IP反爬虫机制的反反爬虫方法,构建可用代理池。
前期准备,注册西刺代理账号,购买专业版代理(或者直接爬取公开的可用代理也行)。为什么推荐购买呢?因为公开的确实很多都不能用。
西刺代理网址:https://www.xicidaili.com/nt/
当你购买完代理后,获取API并复制下来,实现以下代码构建代理池。
代码示例
import requests
from lxml import etree
from fake_useragent import UserAgent
# 获取User-Agent
def get_random_ua():
ua = UserAgent()
return ua.random
# 购买代理后复制的API粘贴到此处
url = 'API'
# 获取所有代理IP的地址和端口号
# [{'http':'http://xxxx:xx','https':'https://xxxx:xxx'},]
def get_ip_list():
# 获取user-agent
headers = { 'User-Agent' : get_random_ua() }
# 已知的可用代理IP
proxies = {
'http': 'http://182.35.81.10:9999',
'https': 'https://182.35.81.10:9999'
}
html = requests.get(url,proxies=proxies,headers=headers).text
# 解析
parse_html = etree.HTML(html)
# r_list: [<element tr at xxx>,<element tr at xxx>]
r_list = parse_html.xpath('//tr')
# 空列表,存放所有ip和port
proxy_list = []
# 依次遍历
for r in r_list[1:]:
ip = r.xpath('./td[2]/text()')[0]
port = r.xpath('./td[3]/text()')[0]
proxy_list.append(
{
'http':'http://{}:{}'.format(ip,port),
'https':'https://{}:{}'.format(ip,port)
}
)
# proxy_list: [{},{},{},{}]
return proxy_list
# 测试代理,建立代理IP池
def proxy_pool():
# 调用上面函数
proxy_list = get_ip_list()
# 可用代理IP列表
useful_proxy = []
# 测试代理是否可用
for proxy in proxy_list:
# proxy: {'http':'http://xxxx:xx'}
headers = {'User-Agent':get_random_ua()}
try:
res = requests.get(
url = 'http://httpbin.org/get',
headers=headers,
proxies = proxy,
timeout = 5
)
print(res.text)
useful_proxy.append(proxy)
except Exception as e:
print('{}不能用'.format(proxy))
continue
return useful_proxy
if __name__ == '__main__':
proxy_pool()
#useful_proxy即为我们构建的代理池。
构建完代理池后,我们就可以随机选取代理进行爬虫了。