Python爬虫任务3

3.1 Task5 安装selenium并学习

1.安装selenium
pip install selenium
2.下载浏览器驱动

selenium支持多种浏览器,所以只需要下载对应的浏览器驱动,将解压得到的exe文件放到python的安装目录下即可

各个浏览器驱动下载地址:https://www.seleniumhq.org/download/

3.使用selenium打开百度
from selenium import webdriver

#driver = webdriver.Chrome("C:\\Python37\\chromedriver.exe")
driver = webdriver.Firefox(executable_path="geckodriver")
driver.get("https://www.baidu.com")
assert '百度一下,你就知道' in driver.title
print("当前URL:",driver.current_url)
driver.quit()
4.使用selenium模拟登陆163邮箱
    browser = webdriver.Firefox(executable_path="geckodriver")
    browser.get("https://mail.163.com/")
    time.sleep(3)
    browser.maximize_window()   #最大化浏览器窗口
    time.sleep(3)
    browser.switch_to.frame(browser.find_element_by_xpath("//iframe[starts-with(@id,'x-URS-iframe')]"))  #找到邮箱账号登录框对应的iframe
    email = browser.find_element_by_name('email')   #找到邮箱账号输入框
    email.send_keys(username)  #输入邮箱账号
    password = browser.find_element_by_name('password') #找到登陆密码输入框
    password.send_keys(passwd)   #输入邮箱密码
    browser.find_element_by_id('dologin').click()

3.2 Task6 学习IP相关知识

1.什么是IP,为什么会出现IP被封,如何应对IP被封的问题

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

如何应对IP被封的问题:

  1. 修改请求头,模拟浏览器去访问
  2. 采用代理IP并轮换
  3. 设置访问时间间隔
2.抓取西刺代理,并构建自己的代理池

西刺免费代理IP:https://www.xicidaili.com/

class XiciDaili:
    url = 'https://www.xicidaili.com/'
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6776.400 QQBrowser/10.3.2577.400"}

    def get_url_text(self):
        try:
            r = requests.get(self.url, headers = self.headers, timeout = 20)
            r.raise_for_status()
            r.encoding = r.apparent_encoding
            return r.text
        except:
            print('无法访问网页:' + self.url)

    def get_proxy_ip(self, data):
        proxy_ip_list = []
        soup = BeautifulSoup(data, 'html.parser')
        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

    def open_url_using_proxy(self, url, proxy):
        proxies = {}
        if proxy.startswith('HTTPS'):
            proxies['https'] = proxy
        else:
            proxies['http'] = proxy

        try:
            r = requests.get(url, headers = self.headers, proxies = proxies, timeout = 10)
            r.raise_for_status()
            r.encoding = r.apparent_encoding
            return (r.text, r.status_code)
        except:
            print('无法访问网页:' + url)
            return False

    def check_proxy_avaliability(self, proxy):
        result = self.open_url_using_proxy('http://www.baidu.com', proxy)
        if result:
            text, status_code = result
            if status_code == 200:
                print('有效代理IP: ' + proxy)
            else:
                print('无效代理IP: ' + proxy)

if __name__ == '__main__':
    xici = XiciDaili()
    print(xici.url)
    data = xici.get_url_text()
    proxy_ip_list = xici.get_proxy_ip(data)
    for proxy in proxy_ip_list:
        xici.check_proxy_avaliability(proxy)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值