爬虫刚跑就被封了?

来自:第2大脑(微信号:Mocun6),作者:苏克1900

摘要:对于采取了比较强的反爬措施网站来说,要想顺利爬取网站数据,设置随机 User-Agent 和代理 IP 是非常有效的两个方法,继上一篇文章介绍了随机 UserAgent 的设置方法之后,本文接着介绍如何在 Requests 和 Scrapy 中设置代理 IP。

上一篇文章见:

 一行代码搞定 Scrapy 中的随机 User-Agent 设置

本文的目标测试网页选择下面这个 URL,请求该网页可以返回当前的 IP 地址:

http://icanhazip.com

下面,我们就先来说说 Requests 中如何设置代理 IP。

Requests

▌不使用代理

首先,先来看一下不使用代理 IP 的情况:

1import requests
2url = 'http://icanhazip.com'
3try:
4    response = requests.get(url) #不使用代理
5    print(response.status_code)
6    if response.status_code == 200:
7        print(response.text)
8except requests.ConnectionError as e:
9    print(e.args)

运行上面的程序,会返回我们电脑本机的 IP,可以通过百度查询 IP 地址对比一下。

1200
2124.238.223.xxx # 后三位隐去了
3
4[Finished in 0.8s]

▌使用代理

然后,我们测试一下使用代理后的情况。

常见的代理包括 HTTP 代理和 SOCKS5 代理,前者可以找一些免费代理 IP 进行测试,由于我电脑上使用的是 Shadowsocks,所以就介绍一下 SOCKS5 代理的设置。

首先,电脑上要安装有 Shadowsocks ,如果你还没听过或者使用过这个神器,可以参考下我之前写的篇文章:

∞ 如何正确地科学上网

启动该软件后默认会在 1080 端口下创建 SOCKS5  代理服务,代理为:127.0.0.1:1080,然后我们在 Requests 中使用该代理,方法很简单只需要添加一项 proxies 参数即可:

 1proxies = [
2    {'http':'socks5://127.0.0.1:1080'},
3    {'https':'socks5://127.0.0.1:1080'}
4]
5proxies = random.choice(proxies)
6print(proxies)
7url = 'http://icanhazip.com'
8try:
9    response = requests.get(url,proxies=proxies) #使用代理
10    print(response.status_code)
11    if response.status_code == 200:
12        print(response.text)
13except requests.ConnectionError as e:
14    print(e.args)

这里,proxies 参数是字典类型,键名http表示协议类型,键值 socks5://127.0.0.1:1080表示代理。
proxies 添加了 http 和 https 两个代理,这样写是因为有些网页采用 http 协议,有的则是采用 https 协议,为了在这两类网页上都能顺利使用代理,所以一般都同时写上,当然,如果确定了某网页的请求类型,可以只写一种,比如这里我们请求的 url 使用的是 http 协议,那么使用 http 代理就可以,random 函数用来随机选择一个代理,我们来看一下结果:

1{'http''socks5://127.0.0.1:1080'}
2200
345.78.42.xxx #xxx表示隐去了部分信息

可以看到,这里随机选择了 http 协议的代理后,返回的 IP 就是我真实的 IP 代理地址,成功代理后就可以爬一些墙外的网页了。

延伸一下,假如随机选择的是 https 代理,那么返回的 IP 结果还一样么?我们尝试重复运行一下上面的程序:

1{'https''socks5://127.0.0.1:1080'}
2200
3124.238.223.xxx

可以看到这次使用了 https 代理,返回的 IP 却是本机的真实 IP,也就是说代理没有起作用。

进一步地,我们将 url 改为 https 协议:https://icanhazip.com,然后再尝试分别用 http 和 https 代理请求,查看一下结果:

1#http 请求
2{'http''socks5://127.0.0.1:1080'}
3200
4124.238.223.xxx
5
6#https 请求
7{'https''socks5://127.0.0.1:1080'}
8200
945.78.42.xxx

可以看到,两种请求的结果和之前的刚好相反了,由于 url 采用了 https 协议,则起作用的是 https 代理,而 http 代理则不起作用了,所以显示的是本机 IP。

因此,可以得到这样的一个结论:

HTTP 代理,只代理 HTTP 网站,对于 HTTPS 的网站不起作用,也就是说,用的是本机 IP

HTTPS 代理则同理。

▌使用付费代理

上面,我们只使用了一个代理,而在爬虫中往往需要使用多个代理,那有如何构造呢,这里主要两种方法,一种是使用免费的多个 IP,一种是使用付费的 IP 代理,免费的 IP 往往效果不好,那么可以搭建 IP 代理池,但对新手来说搞一个 IP 代理池成本太高,如果只是个人平时玩玩爬虫,完全可以考虑付费 IP,几块钱买个几小时动态 IP,多数情况下都足够爬一个网站了。

这里推荐一个付费代理「阿布云代理」,最近使用了一下,效果非常不错,5 块钱买了 5个小时,爬完了一个网站,所以没有必要为了省 5 块钱,而费劲地去搞 IP 代理池。

首次使用的话,可以选择购买一个小时的动态版试用下,点击生成隧道代理信息作为凭证加入到代码中。

将信息复制到官方提供的 Requests 代码中,运行来查看一下代理 IP 的效果:

 1import requests
2# 待测试目标网页
3targetUrl = "http://icanhazip.com"
4def get_proxies():
5    # 代理服务器
6    proxyHost = "http-dyn.abuyun.com"
7    proxyPort = "9020"
8
9    # 代理隧道验证信息
10    proxyUser = "HS77K12Q77V4G9MD"
11    proxyPass = "4131FFDFCE27F104"
12
13    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
14      "host" : proxyHost,
15      "port" : proxyPort,
16      "user" : proxyUser,
17      "pass" : proxyPass,
18    }
19    proxies = {
20        "http"  : proxyMeta,
21        "https" : proxyMeta,
22    }
23
24    for i in range(1,6):
25        resp = requests.get(targetUrl, proxies=proxies)
26        # print(resp.status_code)
27        print('第%s次请求的IP为:%s'%(i,resp.text))
28
29get_proxies()

可以看到每次请求都会使用不同的 IP,是不是很简单?比搞 IP 代理池省事多了。

以上,介绍了 Requests 中设置代理 IP 的方法,下面我们接着介绍在 Scrapy 中如何设置。

Scrapy

▌middlewares.py 中设置

这种方法需要先在 middlewares.py 中设置代理 IP 中间件:

 1import random
2class ProxyMiddleware(object):
3    def __init__(self, ip):
4        self.ip = ip
5
6    @classmethod
7    def from_crawler(cls, crawler):
8        return cls(ip=crawler.settings.get('PROXIES'))
9
10    def process_request(self, request, spider):
11        ip = random.choice(self.ip)
12        request.meta['proxy'] = ip
13        logging.debug('Using Proxy:%s'%ip)

接着,需要在 settings.py 添加几个在西刺上找的代理 IP,格式如下:

1PROXIES = [
2    'https://127.0.0.1:8112'
3    'https://119.101.112.176:9999',
4    'https://119.101.115.53:9999',
5    'https://119.101.117.226:9999']

然后,我们仍然以 http://icanhazip.com 为目标网页,运行 Scrapy 项目重复请求 5 次,查看一下每次返回的 IP 情况:

1def start_requests(self):
2        items = []
3        for i in range(1,6):
4            item = yield scrapy.Request(self.cate_url,callback=self.get_category)
5            items.append(item)
6        return items
7
8    def get_category(self, response):
9        print(response.text)

结果如下:

可以看到部分 IP 成功请求得到了相应,部分 IP 则无效请求失败,因为这几个 IP 是免费的 IP,所有失效很正常。

▌使用付费代理

接下来我们使用阿布云付费代理,继续尝试一下,在 middlewares.py 中添加下面的代码:

 1""" 阿布云ip代理配置,包括账号密码 """
2# 阿布云scrapy 写法
3import base64
4proxyServer = "http://http-dyn.abuyun.com:9020"
5proxyUser = "HS77K12Q77V4G9MD"  # 购买后点击生成获得
6proxyPass = "4131FFDFCE27F104"    # 购买后点击生成获得
7
8# for Python3
9proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")
10
11class AbuyunProxyMiddleware(object):
12    """ 阿布云ip代理配置 """
13    def process_request(self, request, spider):
14        request.meta["proxy"] = proxyServer
15        request.headers["Proxy-Authorization"] = proxyAuth
16        logging.debug('Using Proxy:%s'%proxyServer)

由于,在阿布云购买的是最基础的代理,即每秒 5 个请求,因为 Scrapy 默认的并发数是 16 个,所以需要对 Scrapy 请求数量进行一下限制,可以设置每个请求的延迟时间为 0.2s ,这样一秒就刚好请求 5 个,最后启用上面的代理中间件类即可:

 1""" 启用限速设置 """
2AUTOTHROTTLE_ENABLED = True
3DOWNLOAD_DELAY = 0.2  # 每次请求间隔时间
4
5DOWNLOADER_MIDDLEWARES = {
6 #'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, #启用随机UA
7 #'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 100,  #启用随机UA
8 'wandoujia.middlewares.AbuyunProxyMiddleware'200# 启用阿布云代理
9 #value值越小优先级越高
10}

然后同样地请求 5 次,查看每次请求返回的 IP :

可以看到,每个 IP 都顺利请求成功了,所以说付费地效果还是好。

▌使用 scrapy-proxies 库代理

除了上述两种方法,我们还可以使用 GitHub 上的一个 IP 代理库:scrapy-proxies,库的使用方法很简单, 三个步骤就可以开启代理 IP。

首先,运行下面命令安装好这个库:

1pip install scrapy_proxies

然后,在 Scrapy 项目中的 settings.py 文件中,添加下面一段代码:

 1RETRY_TIMES = 3 # 自定义请求失败重试次数
2#重试的包含的错误请求代码
3RETRY_HTTP_CODES = [500503504400403404408]
4DOWNLOADER_MIDDLEWARES = {
5    'scrapy.downloadermiddlewares.retry.RetryMiddleware'90,
6    'scrapy_proxies.RandomProxy'100,
7    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware'110,
8}
9PROXY_LIST = r'/proxies.txt'  # proxy 代理文件存放位置,此处为程序所在磁盘根目录下
10PROXY_MODE = 0 # 每次请求都使用不同的代理

最后,需要提供多个代理 IP,我们在西刺上随便找几个 IP,然后存放在 PROXY_LIST 指定的 txt 文件中即可,格式如下:

1https://119.101.112.176:9999
2https://119.101.115.53:9999
3https://119.101.117.53:999

然后重复之前的操作,查看代理 IP 的设置效果。

我在使用该库的过程中,发现有一些问题,不知道是配置不对还是怎么回事,效果不是太好,所以推荐使用前两种方法。

好,以上就是在 Requests 和 Scrapy 中使用代理 IP 的方法总结,如果爬虫项目不大、追求稳定且不差钱的话,建议直接上付费代理。

推荐↓↓↓
Python编程
上一篇:数据版“吐槽大会”: 国产综艺节目年终盘点 下一篇:入门必看 | 大佬们推荐的 Python 书单汇总