利用python进行数据采集的过程中,很多网站都设置了反爬虫机制,其中最常见的就是相同的User-Agent、ip或者Cookie不能连续进行数据采集,所以我们需要构建很多User-Agent、ip或者Cookie以防止被封停。同时批量采集数据时会出现很多常见异常。
1、构造有很多方法,这里我们就将众多的User-Agent和ip存在csv文件中,供我们数据采集的时候使用。
2、代理ip请求失败怎么解决?
我们使用的免费代理ip很多时候回面临过期的问题,此时请求就会报错:requests.exceptions.ProxyError:....。
ip池中有很多的ip,有些不能用很正常,出现该错误的时候我们重新请求用其他的ip来请求就可以啦。
同时还经常出现请求超时,url 解析错误,或者页面不存在等常见问题。
案例中都有相应的解决办法,当然这个代码是不完善的,理解后,在实际开发过程中进一步去优化代码即可。
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import requests
from lxml import etree
from requests.exceptions import ConnectTimeout,ProxyError
import random
import csv
import time
def User_Agent_and_proxies():
global Headers, proxies #设置为全局变量
Headers = {} #构造随机User-Agent池
User_Agent = open(r'User-Agent.csv','r+',encoding='UTF-8') #打