爬网页的时候,尤其是一些商用网站,如果使用本地IP很容易就会被封掉,因此我们需要在代理网站上购买代理,我使用的是代理太阳代理: http://www.taiyanghttp.com
首先要在IP白名单中加入自己的IP地址
选择ip提取的数量生成api链接
*生成API链接,调用HTTP GET请求即可返回所需的IP结果
*添加白名单接口:
ty-http-d.hamir.net/index/white/add?neek=tyhttp718080&appkey=aab86175bb04bb28e8b197c51821227f&white=您的ip
*删除白名单接口:
ty-http-d.hamir.net/index/white/del?neek=tyhttp718080&appkey=aab86175bb04bb28e8b197c51821227f&white=您的ip(多个ip请用英文逗号隔开)
代理ip地址
import requests
headers = {
'User-Agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36"}
def get_links(num):
'''
生成num个url,返回包含url的列表
'''
urls = []
for i in range(1, num + 1):
urls.append(f'https://db.yaozh.com/hmap/{i}.html')
return urls
def get_data(url):
'''
抓取url上的数据,并打印请求链接和返回的响应码
'''
# 注意:必须添加allow_redirects=False,防止requests被重定向,导致打印的响应码不准确
res = requests.get(url=url, headers=headers,
allow_redirects=False)
print('当前请求的链接:', res.url)
print('当前返回的响应码:', res.status_code)
print('================================================')
def run(num):
'''爬虫主函数,抓取num个详情页'''
links = get_links(num)
for l in links:
get_data(l)
if __name__ == '__main__':
run(10)
从结果中可以看出
前五次请求都能正确的返回数据,响应码是200
第六次到第十次,响应码变成了302。
我们用浏览器打开url,结果发现浏览给我跳了验证码页面,我们的IP被封了
封锁IP是反爬的常用手段
代理
import requests
import time
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"}
#使用代理
def get_proxy():
'''
从代理获取ip封装成proxy字典返回
'''
api_url = 'http://http.tiqu.alibabaapi.com/getip?num=1&type=1&neek=554220&port=1&lb=1&pb=4®ions='
ip = requests.get(api_url).text.strip()
#如果无法获取ip 抛出一个错误
if ip =='':
raise RuntimeError('无法获取代理ip')
# 拼装成字典格式
proxies = {'http': f'http://{ip}'}
print(proxies)
return proxies
#url地址
def get_links(num):
'''
生成num个url地址返回包含url的列表
'''
urls = []
for i in range(1,num+1):
urls.append(f'https://db.yaozh.com/hmap/{i}.html')
return urls
#返回抓取的页面
def get_data(url):
'''
抓取url上的数据,并打印请求链接和返回的响应码
'''
# 注意:必须添加allow_redirects=False,防止requests被重定向,导致打印的响应码不准确
proxies = get_proxy()
res = requests.get(url=url, headers=headers,
allow_redirects=False, proxies=proxies)
time.sleep(3)
print('当前请求的链接:', res.url)
print('当前返回的响应码:', res.status_code)
print('================================================')
def run(num):
'''爬虫主函数,抓取num个详情页'''
links = get_links(num)
for l in links:
get_data(l)
#程序入口
if __name__ == '__main__':
run(5)
这个网站访问多了就会限制应该也是反爬的一种目前。使用了代理应该是成功了
本来想用西刺代理来演示的好像打不开了网站
总结
proxies = {‘https’:‘111.231.86.149:57114’}
proxies = {
‘https’:‘111.231.86.149:57114’
‘http’:‘111.231.86.149:57114’
}
如果请求是post的就用https 是get的就用http就行了
向反爬之类的很是棘手比如boos 招聘网站你请求多次就不给你返回数据了