开发环境:win7 x64版本,python 3.6,Anaconda3 (64-bit)
因为频繁访问容易被封IP,所以我们需要使用代理来进行数据的爬取(当然你也可以放慢节奏,比如每5秒爬一条记录)。
经过测试,发现http://www.66ip.cn/比较好用,接下来,先把到66ip上把所有能用的代理IP都保存下来。
66ip网站代理IP的HTML源码如上图所示,所以,首先要找到该table,再遍历table中的所有tr即可。
实现步骤如下:
- 导入相关模块
- 爬取66ip网页指定table的tr
- 读取tr中td的内容,拼接成代理IP地址
- 测试该IP地址是否可用,将可用IP保存到本地TXT文件
- 循环读取每个页面的代理IP
一、导入相关模块
import urllib
import requests
from bs4 import BeautifulSoup
import time
import random
二、爬取66ip首页指定table的tr
# 模拟浏览器
heads = { 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
url = "http://www.66ip.cn/1.html"
response = requests.get(url,headers=heads)
soup = BeautifulSoup(response.content.decode("gbk"),"lxml")
# 找到属性"bordercolor"为"#6699ff"的table中的所有tr
trs = soup.find("table", attrs={"bordercolor":"#6699ff"}).find_all("tr")
三、读取tr中td的内容,拼接成代理IP地址
for tr in trs[1:]:
ip = tr.find_all("td")[0].get_text()
port = tr.find_all("td")[1].get_text()
proxy = "http://"+ip+":"+port
print(proxy)
显示结果如下:
四、测试该IP地址是否可用,将可用IP保存到本地TXT文件
# 验证代理IP是否可用,如果IP不可用会抛异常
try:
proxies = {"http":proxy}
test_url = "http://blog.csdn.net"
rsp = requests.get(test_url, headers=heads, proxies=proxies,timeout=3)
if(response.status_code==200):
# 如果可用则保存地址
with open("ipList.txt", "a", encoding="utf-8") as f:
f.write(proxy+"\n")
f.close()
except:
pass
五、循环读取每个页面的代理IP(加间隔时间)
import urllib
import requests
from bs4 import BeautifulSoup
import time
import random
heads = { 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
for i in range(1,1000):
url = "http://www.66ip.cn/"+str(i)+".html"
response = requests.get(url,headers=heads)
soup = BeautifulSoup(response.content.decode("gbk"),"lxml")
# 找到属性"bordercolor"为"#6699ff"的table中的所有tr
trs = soup.find("table", attrs={"bordercolor":"#6699ff"}).find_all("tr")
for tr in trs[1:]:
ip = tr.find_all("td")[0].get_text()
port = tr.find_all("td")[1].get_text()
proxy = "http://"+ip+":"+port
print(proxy)
# 验证代理IP是否可用,如果IP不可用会抛异常
try:
proxies = {"http":proxy}
test_url = "http://blog.csdn.net"
rsp = requests.get(test_url, headers=heads, proxies=proxies,timeout=3)
if(response.status_code==200):
# 如果可用则保存地址
with open("ipList.txt", "a", encoding="utf-8") as f:
f.write(proxy+"\n")
f.close()
except:
pass
# 验证结束
# 间隔时间为3~5秒
time.sleep(random.randint(3,5))
通过以上步骤,把66ip网前1000页能用的代理IP下载到本地,为后期爬取指定页面做准备。