通過爬蟲代理IP快速增加博客閱讀量——親測CSDN有效!


寫在前面

題目所說的並不是目的,主要是為了更詳細的了解網站的反爬機制,如果真的想要提高博客的閱讀量,優質的內容必不可少。

了解網站的反爬機制

一般網站從以下幾個方面反爬蟲:


**1. 通過Headers反爬蟲**

從用戶請求的Headers反爬蟲是最常見的反爬蟲策略。很多網站都會對Headers的User-Agent進行檢測,還有一部分網站會對Referer進行檢測(一些資源網站的防盜鏈就是檢測Referer)。

如果遇到了這類反爬蟲機制,可以直接在爬蟲中添加Headers,將瀏覽器的User-Agent復制到爬蟲的Headers中;或者將Referer值修改為目標網站域名。對於檢測Headers的反爬蟲,在爬蟲中修改或者添加Headers就能很好的繞過。

2. 基於用戶行為反爬蟲

還有一部分網站是通過檢測用戶行為,例如同一IP短時間內多次訪問同一頁面,或者同一賬戶短時間內多次進行相同操作。

大多數網站都是前一種情況,對於這種情況,使用IP代理就可以解決。我們可以將代理IP檢測之后保存在文件當中,但這種方法並不可取,代理IP失效的可能性很高,因此從專門的代理IP網站實時抓取,是個不錯的選擇。

對於第二種情況,可以在每次請求后隨機間隔幾秒再進行下一次請求。有些有邏輯漏洞的網站,可以通過請求幾次,退出登錄,重新登錄,繼續請求來繞過同一賬號短時間內不能多次進行相同請求的限制。

還有針對cookies,通過檢查cookies來判斷用戶是否是有效用戶,需要登錄的網站常采用這種技術。更深入一點的還有,某些網站的登錄會動態更新驗證,如推酷登錄時,會隨機分配用於登錄驗證的authenticity_token,authenticity_token會和用戶提交的登錄名和密碼一起發送回服務器。


**3. 基於動態頁面的反爬蟲**

有的時候將目標頁面抓取下來,發現關鍵的信息內容空白一片,只有框架代碼,這是因為該網站的信息是通過用戶Post的XHR動態返回內容信息,解決這種問題的方法就是通過開發者工具(FireBug等)對網站流進行分析,找到單獨的內容信息request(如Json),對內容信息進行抓取,獲取所需內容。

更復雜一點的還有對動態請求加密的,參數無法解析,也就無法進行抓取。這種情況下,可以通過Mechanize,selenium RC,調用瀏覽器內核,就像真實使用瀏覽器上網那樣抓取,可以最大限度的抓取成功,只不過效率上會打些折扣。筆者測試過,用urllib抓取拉勾網招聘信息30頁所需時間為三十多秒,而用模擬瀏覽器內核抓取需要2——3分鍾。

4. 限定某些IP訪問

免費的代理IP可以從很多網站獲取到,既然爬蟲可以利用這些代理IP進行網站抓取,網站也可以利用這些代理IP反向限制,通過抓取這些IP保存在服務器上來限制利用代理IP進行抓取的爬蟲。

進入正題

好了,現在實際操作一下,編寫一個通過代理IP訪問網站的爬蟲。

首先獲取代理IP,用來抓取。

def Get_proxy_ip():
    headers = {
            'Host': 'www.xicidaili.com',
            'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
            'Accept': r'application/json, text/javascript, */*; q=0.01',
            'Referer': r'http://www.xicidaili.com/', 
            }
    req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers) #發布代理IP的網站
    response = request.urlopen(req)
    html = response.read().decode('utf-8')
    proxy_list = []
    ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
    port_list = re.findall(r'<td>\d+</td>',html)
    for i in range(len(ip_list)):
        ip = ip_list[i]
        port = re.sub(r'<td>|</td>', '', port_list[i])
        proxy = '%s:%s' %(ip,port)
        proxy_list.append(proxy)
    return proxy_list

順帶一提,有些網站會通過檢查代理IP的真實IP來限制爬蟲抓取。這里就要稍微提一下代理IP的知識。


**代理IP里的“透明”“匿名”“高匿”分別是指?**

透明代理的意思是客戶端根本不需要知道有代理服務器的存在,但是它傳送的仍然是真實的IP。使用透明IP,就無法繞過通過一定時間內IP訪問次數的限制。

普通匿名代理能隱藏客戶機的真實IP,但會改變我們的請求信息,服務器端有可能會認為我們使用了代理。不過使用此種代理時,雖然被訪問的網站不能知道你的ip地址,但仍然可以知道你在使用代理,這樣的IP就會被網站禁止訪問。

高匿名代理不改變客戶機的請求,這樣在服務器看來就像有個真正的客戶瀏覽器在訪問它,這時客戶的真實IP是隱藏的,網站就不會認為我們使用了代理。

綜上所述,爬蟲代理IP最好使用“高匿IP”

user_agent_list包含了目前主流瀏覽器請求的RequestHeaders的user-agent,通過它我們可以模仿各類瀏覽器的請求。

user_agent_list = [
    'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
    'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
    'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
    'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
    'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
    'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
    'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]

通過設定隨機等待時間來訪問網站,可以繞過某些網站對於請求間隔的限制。
def Proxy_read(proxy_list, user_agent_list, i):
    proxy_ip = proxy_list[i]
    print('當前代理ip:%s'%proxy_ip)
    user_agent = random.choice(user_agent_list)
    print('當前代理user_agent:%s'%user_agent)
    sleep_time = random.randint(1,3)
    print('等待時間:%s s' %sleep_time)
    time.sleep(sleep_time) #設置隨機等待時間
    print('開始獲取')
    headers = {
            'Host': 's9-im-notify.csdn.net',
            'Origin':'http://blog.csdn.net',
            'User-Agent': user_agent,
            'Accept': r'application/json, text/javascript, */*; q=0.01',
            'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
            }

    proxy_support = request.ProxyHandler({'http':proxy_ip})
    opener = request.build_opener(proxy_support)
    request.install_opener(opener)

    req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
    try:
        html = request.urlopen(req).read().decode('utf-8')
    except Exception as e:
        print('******打開失敗!******')
    else:
        global count
        count +=1
        print('OK!總計成功%s次!'%count)

以上就是爬蟲使用代理的相關知識點,雖然還很淺顯,但大部分場景是可以應付的了的。

附上源碼

#! /usr/bin/env python3
from urllib import request
import random
import time
import lxml
import re



user_agent_list = [
    'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
    'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
    'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
    'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
    'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
    'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)',
    'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
    'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
]

count = 0

def Get_proxy_ip():
    headers = {
            'Host': 'www.xicidaili.com',
            'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)',
            'Accept': r'application/json, text/javascript, */*; q=0.01',
            'Referer': r'http://www.xicidaili.com/',
            }
    req = request.Request(r'http://www.xicidaili.com/nn/', headers=headers)
    response = request.urlopen(req)
    html = response.read().decode('utf-8')
    proxy_list = []
    ip_list = re.findall(r'\d+\.\d+\.\d+\.\d+',html)
    port_list = re.findall(r'<td>\d+</td>',html)
    for i in range(len(ip_list)):
        ip = ip_list[i]
        port = re.sub(r'<td>|</td>', '', port_list[i])
        proxy = '%s:%s' %(ip,port)
        proxy_list.append(proxy)
    return proxy_list

def Proxy_read(proxy_list, user_agent_list, i):
    proxy_ip = proxy_list[i]
    print('當前代理ip:%s'%proxy_ip)
    user_agent = random.choice(user_agent_list)
    print('當前代理user_agent:%s'%user_agent)
    sleep_time = random.randint(1,3)
    print('等待時間:%s s' %sleep_time)
    time.sleep(sleep_time)
    print('開始獲取')
    headers = {
            'Host': 's9-im-notify.csdn.net',
            'Origin':'http://blog.csdn.net',
            'User-Agent': user_agent,
            'Accept': r'application/json, text/javascript, */*; q=0.01',
            'Referer': r'http://blog.csdn.net/u010620031/article/details/51068703',
            }

    proxy_support = request.ProxyHandler({'http':proxy_ip})
    opener = request.build_opener(proxy_support)
    request.install_opener(opener)

    req = request.Request(r'http://blog.csdn.net/u010620031/article/details/51068703',headers=headers)
    try:
        html = request.urlopen(req).read().decode('utf-8')
    except Exception as e:
        print('******打開失敗!******')
    else:
        global count
        count +=1
        print('OK!總計成功%s次!'%count)

if __name__ == '__main__':
    proxy_list = Get_proxy_ip()
    for i in range(100):
        Proxy_read(proxy_list, user_agent_list, i)

由於代理IP的問題,訪問的成功率還是很低,提高訪問成功率的關鍵點在於選擇優質的代理源。這里只做拋磚引玉之用,歡迎交流,轉載請注明出處~ (^ _ ^)/~~

更多python爬蟲實例,請訪問:http://www.landsblog.com/blog/category/pachong


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM