爬虫程序中怎么加入动态代理
相信很多人都用过代码写过不同的爬虫程序吧,来获取互联网上自己需要的信息,这比自己手动的去一个一个复制来的容易。但是,居然是用程序来获取某个网站里面的信息,可以知道,在很短的时间内,这个程序会访问某个网站很多次,很多网站都会对这样的情况进行屏蔽;比如,隔几分钟才能正常访问。这对于我们的爬虫程序来说是个大麻烦。我们知道,当我们访问一个网站的时候,对方服务器是会记下我们电脑的IP地址,有没有方法来动态改变自己的IP地址呢?答案是有的,那就是用代理。这样我们就可以在程序中加入代理功能,只要对方服务器屏蔽了我们的IP,我们就用程序自动的去换别的IP地址嘛,这样不就可以不断的访问某个服务器吗?可以利用Java的HttpClient包,来加入动态代理功能。
好了,说了这么多,程序怎么实现呢?具体的思路是:当我们可以正常访问一个页面的时候(给服务器发送一条HTTP请求),服务器一般是会返回2XX的HTTP响应码给我们。当服务器返回诸如403(被禁止访问了;当然,这个页面正常情况下是可以访问的,正常情况下都返回403 的代码,那就是人家本来就不让你访问的啦,我也哀莫能及)HTTP相应码的时候,我们就可以知道,服务器是把我们屏蔽了。这时候,当我们的程序检测到返回的403代码的时候,就可以换一个IP地址,再重新请求刚刚被屏蔽的页面不就实现了动态代码的程序吗?
第一步:先声明一个代理类
package com.wyp.utils;
/**
* @author 过往记忆
* Create Data: 2012-8-10
* Email: wyphao.2007@163.com
* Blog: https://www.iteblog.com
* 版权所有,翻版不究,但在修改本程序的时候必须加上这些注释!
* 仅用于学习交流之用
*
* 代理服务器IP以及端口
*/
public class proxyServer {
public static String proxyIP [] = {"ec2-23-22-95-3.compute-1.amazonaws.com",
"211.68.70.169", "202.203.132.29",
"218.192.175.84", "ec2-50-16-197-120.compute-1.amazonaws.com",
"50.22.206.184-static.reverse.softlayer.com",};
public static int proxyPort[] = {8000, 3128, 3128, 3128, 8001, 8080};
}
这个代理类很简单吧,就加了几个代理的IP和端口。注意,proxyPort中的端口号要一一对应proxyIP中的IP地址。
第二步:声明一个HttpClient 对象,设置好超时时间。
HttpClient httpClient = null;
httpClient = new HttpClient();
// 设置 Http 连接超时 5s
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
第三步:设置代理
/**
* 设置代理
*/
private void setProxy(String proxyIP, int hostPort) {
System.out.println("正在设置代理:" + proxyIP + ":" + hostPort);
// TODO Auto-generated method stub
httpClient.getHostConfiguration().setHost(Hosturl, hostPort, "http");
httpClient.getParams().setCookiePolicy(CookiePolicy.BROWSER_COMPATIBILITY);
httpClient.getHostConfiguration().setProxy(proxyIP, proxyPort);
Credentials defaultcreds = new UsernamePasswordCredentials("", "");
httpClient.getState().setProxyCredentials(
new AuthScope(proxyIP, proxyPort, null), defaultcreds);
}
第四步:测试当前的代理是否有用
/**
* @param string
* @param i
*
* 测试代理服务器的可用性
*
* 只有返回HttpStatus.SC_OK才说明代理服务器有效
* 其他的都是不行的
*/
private int testProxyServer(String url, String proxyIp, int proxyPort) {
// TODO Auto-generated method stub
setProxy(proxyIp, proxyPort);
GetMethod getMethod = setGetMethod(url);
if(getMethod == null){
System.out.println("请求协议设置都搞错了,所以我无法完成您的请求");
System.exit(1);
}
try {
int statusCode = httpClient.executeMethod(getMethod);
if (statusCode == HttpStatus.SC_OK) { //2XX状态码
return HttpStatus.SC_OK;
}else if(statusCode == HttpStatus.SC_FORBIDDEN){ //代理还是不行
return HttpStatus.SC_FORBIDDEN;
}else{ // 其他的错误
return 0;
}
} catch (HttpException e) {
// 发生致命的异常,可能是协议不对或者返回的内容有问题
System.out.println("Please check your provided http address!");
System.exit(1);
} catch (IOException e) {
// 发生网络异常
System.exit(1);
} finally {
// 释放连接
getMethod.releaseConnection();
}
return 0;
}
第五步:得到服务器是否对我们进行屏蔽,如果返回的是SC_FORBIDDEN,代表被屏蔽的,那么我们就一个一个代理去试,也就是调用第四步的函数去判断当前的代理是否有用。
if(statusCode == HttpStatus.SC_FORBIDDEN){ //访问被人家限制了就设置代理
//代理服务器的个数
int proxySize = proxyServer.proxyIP.length;
int i = 0;
for(; i < proxySize; i++){ //我们一个一个测试代理服务器的有用性
System.out.println("正在测试代理:" +
proxyServer.proxyIP[i] + ":" + proxyServer.proxyPort[i]);
int status = testProxyServer(url, proxyServer.proxyIP[i],
proxyServer.proxyPort[i]);
if(status == HttpStatus.SC_OK){//代理服务器找到了
break;
}else{ //其他情况你就继续去代理吧
continue;
}
}
if(i >= proxySize){
System.out.println("唉,我把你设置的代理服务器都测试了,
好像没有发现有效的代理,我只有退出了!");
return null;
}
System.out.println("代理:" + proxyServer.proxyIP[i] + ":" +
proxyServer.proxyPort[i] + "目前可用");
proxyIP = proxyServer.proxyIP[i];
proxyPort = proxyServer.proxyPort[i];
经过上面几步,我们就可以不要担心程序被人家屏蔽了。