我们在使用爬虫的过程中,经常会碰到这样的问题:刚开始启动爬虫,爬虫可正常运行,且可以正常的爬取网页数据。但是过一会后,爬虫无法正常获取网页数据。
那么这是什么原因呢?进一步debugger代码,发现爬虫在请求网址的时候报错,分析后发现是网页服务器禁止了爬虫的请求(可能会返回,403:Forbidden)。
出现这样的情况,就说明了承载爬虫的IP,访问网页服务器在单位时间内访问的请求次数超出了一定的阈值,服务器根据此信息,将次访问识别为爬虫,进而禁止该IP
的再次访问。那么如何解决此问题呢,Proxy(代理)就是今天的主角。代理怎么理解呢,见下图:
简言之,代理就是替爬虫服务去请求网页服务器,拿到网页信息后,由代理服务器将网页信息返回给爬虫。
如果我们多备几台代理服务器,然后使用一定的规则合理的使用代理服务器访问网页服务器,那么网页服务器就很难识别出爬虫了,这样就不影响我们爬取网页信息了。
【代理服务器分两种:免费代理和有偿代理,不用说了免费代理肯定是不稳定,如果是生产环境就需要购买代理服务器,如何购买自行百度】
Python中的代理如何实现,这里使用urllib库来实现,很简单,代码如下:
# --coding:utf-8--
from urllib import request
from urllib import parse
url = 'http://httpbin.org/ip'
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36 Edg/86.0.622.51'
}
rq = request.Request(url, headers=header)
handler = request.ProxyHandler({'http': '139.155.80.151:8000'}) # https://seofangfa.com/proxy/ (代理IP获取网址)
opener = request.build_opener(handler)
resp = opener.open(rq)
print(resp.read())