爬蟲的時候默認會使用環境變量 http_proxy 來設置 HTTP Proxy。假如一個網站它會檢測某一段時間某個IP 的訪問次數，如果訪問次數過多，它會禁止你的訪問。所以你可以設置一些代理服務器來幫助你做工作，每隔一段時間換一個代理，這樣就不怕爬取大量數據的時候突然被封啦。
本文IP來自國內高匿免費HTTP代理IP__第1頁國內高匿 http://www.xicidaili.com/nn/
這一篇就主要講講怎么設置Proxy，上代碼！
from bs4 import BeautifulSoup
import requests
import random
def get_ip_list(url, headers):#得到該頁面的所有IP
web_data = requests.get(url, headers=headers)#得到網頁響應web_data
soup = BeautifulSoup(web_data.text, 'lxml')#解析網頁
ips = soup.find_all('tr')
ip_list = []
for i in range(1, len(ips)):
ip_info = ips[i]
tds = ip_info.find_all('td')
httptype=str.lower(tds[5].text)#把類型換成小寫
ip_list.append(httptype+'://'+tds[1].text + ':' + tds[2].text)
return ip_list
#從眾多的IP中隨機選一個出來使用
def get_random_ip(ip_list):
proxy_ip = random.choice(ip_list)
return proxy_ip
if __name__ == '__main__':
url = 'http://www.xicidaili.com/nn/'
#給請求指定一個請求頭來模擬瀏覽器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
ip_list = get_ip_list(url, headers=headers)#調用get_ip_list函數得到IP列表
proxies = get_random_ip(ip_list)#調用函數get_random_ip從IP列表中隨機取用
print(proxies)
然后！把你得到的IP加進請求，就可以啦
proxies = {'http': 'http://114.97.184.251:808',
'https': 'https://119.135.85.253:808' }
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
headers = {'User-Agent': user_agent}
htmlText = requests.get(url, headers=headers, timeout=3, proxies=proxies).text