Python爬虫小技巧：使用IP代理（一）

序、在爬虫中为何要使用随机请求头？

服务器会判断一个频繁的请求是不是来自于同一个User-Agent标识，或者判断User-Agent是不是以python开头。如果是，则会限制访问。

解决方案：随机切换User-Agent的值

一、在爬虫中为何要使用IP代理

客户端的IP地址是唯一的，所以开发者便将IP地址作为客户端的身份标识。

服务器会判断一个频繁的请求是不是来自于同一个IP地址发出的，对于访问速度过高或者访问次数过多的IP，则会对IP进行反爬虫限制访问。

对于访问速度的处理：间隔一段时间爬取一次，避免频繁访问；

对于访问次数的处理：使用代理IP，随机切换IP地址，不使用真实的IP来发起请求。

二、解决方案

搭建IP代理池，原理如下图所示：

其中又包括免费获取和付费获取两种方式。

首先介绍免费获取代理ip池的方法。

优点：免费

缺点：

1.代理ip稳定性差需要经常更换

2.爬取后ip存在很多不可用，ip需要定期筛选

三、免费获取代理ip池主要思路

1.从代理ip网站获取IP列表

2.检测ip是否能用

3.随机选择ip

4.使用代理ip爬取网站

获取IP

几个能提供免费代理的代理服务网站:

66代理：

http://www.66ip.cn/

西刺代理：

https://www.xicidaili.com

全网代理：

http://www.goubanjia.com

云代理：

http://www.ip3366.net

IP海：

http://www.iphai.com

快代理：

https://www.kuaidaili.com

免费代理IP库：

http://ip.jiangxianli.com

以获取“66代理”ip列表为例，发现ip存储在标签下的第一个标签内，可采用正则表达式提取。

以获取“66代理”前2页的IP为例，代码如下：

#从ip代理网站获取ip列表
import requests
import re
headers = {    
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.82 Safari/537.36'
}
ip_list=[]
for i in range(1,3):
    if i==1:
        url='http://www.66ip.cn/index.html'
    else:
        url=f'http://www.66ip.cn/{i}.html'
    r= requests.get(url, headers=headers)
    ip_list_single_page = re.findall('<tr><td>(.*?)</td>',r.text)[1:]
    ip_list.extend(ip_list_single_page)

获取的IP列表如下：

检测IP

因为我们是爬取的免费的IP，所以我们要对其进行检测，看看是否有效。判断是否有效的方法就是加上代理ip给百度发送get请求，看看status_code()的返回码是不是200，检测代码如下：

#检测ip有效性，获取有效ip列表
valid_ip_list=[]
for ip in ip_list:
   try:
       proxies= {'https': 'https://' + ip,
                 'http': 'http://' + ip}
       r= requests.get('https://www.baidu.com', headers=headers,proxies=proxies)
       if r.status_code == 200:
           valid_ip_list.append(ip)
   except:
       print('ip无效')

很遗憾，运行结果显示，我们获取的上述ip均无效。

我们发现，免费ip代理获取的ip几乎都不能用。

便宜没好货，好货不便宜！

随机选择IP

假设，如果，我们从免费代理网站获取的IP是有效的，得到有效IP列表valid_ip_list不为空，后续就应该随机选择IP，代码如下：

#在有效ip列表中随机取出一个ip
import random
def get_random_ip(valid_ip_list):
    ip=random.choice(valid_ip_list)
    proxies= {'https': 'https://' + ip,
              'http': 'http://' + ip} #proxies的格式是一个字典：{‘http’: ‘http://123.123.321.123:808‘}
    return proxies

使用代理IP

代码如下：

#使用代理ip访问网页
url='https://www.baidu.com'
proxies=get_random_ip(valid_ip_list)
r=requests.get(url,proxies=proxies,headers=headers)

免费IP代理的最大缺点在于大部分IP是无效的。

最后：

Python学习资料

如果你想学习Python帮助你实现自动化办公，或者准备学习Python或者正在学习，下面这些你应该能用得上，有需要可以领取。

① Python所有方向的学习路线图，清楚各个方向要学什么东西
② 100多节Python课程视频，涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例，学习不再是只会理论
④ 华为出品独家Python漫画教程，手机也能学习
⑤历年互联网企业Python面试真题,复习时非常方便

文末有领取方式哦

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python课程视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

三、Python实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

四、Python漫画教程

用通俗易懂的漫画，来教你学习Python，让你更容易记住，并且不会枯燥乏味。

五、互联网企业面试真题

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。


这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要也可以扫描下方csdn官方二维码或者点击主页和文章下方的微信卡片获取领取方式，【保证100%免费】