Python爬虫基础-使用代理

为什么需要代理？

我们爬取数据的时候，开始可以正常爬取，但是过了一段时间，网站可能就会提示“您的IP访问频率过高”，然后就无法正常访问网站。
这是因为网站采取了反爬策略，某个ip访问频率超过一个阈值后，就会被禁止访问。
这时候我们就可以利用代理ip，来正常访问该网站。（或者，你可以等第二天，ip恢复正常后再访问）

使用代理

首先你要获取一个代理，获取方法很多，网上有免费和付费的代理。
这里我使用的是utanshu.com。免费版单日ip上限是5000个，足够个人使用了。用手机号注册，完成职业认证和身份认证就可以使用了。（这个认证是防止滥用ip做一些违法的事情）

目前这个网站主要功能就是提供分布式代理池，后面估计其它的两个功能也会开放。

我已经申请了一个账号。登陆后选择分布式代理池，网页会有一个提取API选项,
通过网页访问该API（或requests.get(api_url)）就会返回一个txt或json格式的数据。
里面包含了ip和port。

将下面代码中的代理ip、代理端口、代理账号、代理密码替换成自己的即可使用代理获取网页。

import requests
import time

url='http://www.httpbin.org/get'
proxyaddr = "代理IP地址"    #代理IP地址
proxyport = 57114               #代理IP端口
proxyusernm = "代理帐号t"        #代理帐号
proxypasswd = "代理密码"        #代理密码
#name = input();
proxyurl="http://"+proxyusernm+":"+proxypasswd+"@"+proxyaddr+":"+"%d"%proxyport

t1 = time.time()
r = requests.get(url,proxies={'http':proxyurl,'https':proxyurl},headers={
    "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
    "Accept-Encoding":"gzip, deflate",
    "Accept-Language":"zh-CN,zh;q=0.9",
    "Cache-Control":"max-age=0",
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"})
r.encoding='gb2312'

t2 = time.time()

print(r.text)
print("时间差:" , (t2 - t1));

打印的内容包含了请求ip地址，发现该地址变成了代理ip，而不是自己的本机ip了。