代理
代理是啥就不说了,不搞理论,咱就先拿来用起来下边一张图就能简单了解一些。
最近,由于爬取某招聘网站信息,一不小心被封了,这让我这个菜鸟难受至极,不是说没有不能爬的网站吗?
难过的遭遇
免费的代理网站还是有很多的,西次代理,快代理。。。but!!爬了几百页,再加上验证竟然就俩能用的,我还是在半夜1点爬的,难道人家服务器断电了吗?但是已经到这份上了,我咋能放弃呢。赶紧去搜罗了其他的免费代理网站。http://www.66ip.cn/这个拯救了我,果然666。
爬取代理很简单
正常爬取就可以了,给代码。
# -*- coding: utf-8 -*-
"""
Created on Tue Aug 27 08:34:22 2019
@author: gwiely
"""
import requests
from lxml import etree
import time
import random
def get_ip_list(url):
headers = {
'User_agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
'referer': 'http://www.66ip.cn/index.html',
'Host': 'www.66ip.cn'
}
response = requests.get(url,headers=headers)
page_html = response.text
html = etree.HTML(page_html)
content_lists = html.xpath('//div[@align="center"]/table/tr')[1:]
for content_list in content_lists:
ip = content_list.xpath('./td[1]/text()')[0]
port = content_list.xpath('./td[2]/text()')[0]
result = "http://"+ip+":"+port
yield result
def check_ip(proxy_str):
url = "http://www.baidu.com"
proxy = {
"http": proxy_str,
"https": proxy_str
}
try:
response = requests.get(url, timeout=5, proxies=proxy)
print("可以使用的代理IP:{}".format(proxy_str))
return True
except:
print("破烂IP,服务器辣鸡:{}".format(proxy_str))
return False
def main():
usable_ip_list = []
fileWriter = open('UsabelIP.txt', 'a')
for i in range(1, 100):
url = "http://www.66ip.cn/{}.html".format(i)
print("第{}页,url : {}".format(i, url))
proxy = get_ip_list(url)
for proxy_str in proxy:
if check_ip(proxy_str):
usable_ip_list.append(proxy_str)
fileWriter.write(proxy_str+"\n")
time.sleep(random.randint(4,8))
fileWriter.flush()
fileWriter.close()
if __name__=='__main__':
main()
最终,还是爬到了一些可以用的。
发现了一个问题,单线程爬取的速度确实伤。我也是刚开始学,接下来就看看多线程。搞好了再来分享。