我们在爬取数据的时候有可能会出现爬到一半就不动了,有可能是因为目标网站封了你的ip,因为程序的运行是非常快的,人为的访问速度没有那么快,所以会被封,所谓道高一尺魔高一丈,我们可以有多种方法可以避免这种问题
第一种:
降低访问速度,我们可以使用time模块中的sleep,使程序每运行一次后就睡眠1s,这样的话就可以大大的减少ip被封的几率
第二种:
为了提高效率,我们可以使用代理ip来解决,ip是西刺代理的ip,代码我贴出来
# encoding: utf-8
import requests
import json
from lxml import etree
def get_page(url):
head ={
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:52.0) Gecko/20100101 Firefox/52.0"
}
response = requests.get(url=url, headers=head).text
# print(response)
html = etree.HTML(response)
return parse(html)
def paging():
ip_dict = {}
for page in range(1, 11):
url = "http://www.xicidaili.com/nn/{}".format(page)
ip_dict[page] = get_page(url)
data = json.dumps(ip_dict)
with open('ip.json', 'a+') as f:
f.write(data)
def parse(html):
list_ip = []
contents = html.xpath("//table[@id='ip_list']/tr[position()>1]")
for content in contents:
ip = content.xpath("./td[2]/text()")[0]
port = content.xpath("./td[3]/text()")[0]
mold = content.xpath("./td[6]/text()")[0]
# print(ip, port, mold)
list_ip.append(mold.lower()+':'+ip+":"+port)
return list_ip
if __name__ == '__main__':
paging()
复制以上的代码保存为*.py文件就可以了,
保存完之后运行,可以使用这个网站测试我们访问网站的ip:
测试ip