写在前面的话:每一个实例的代码都会附上相应的代码片或者图片,保证代码完整展示在博客中。最重要的是保证例程的完整性!!!方便自己也方便他人~欢迎大家交流讨论~
环境:Anaconda3(python3.5)
爬虫的时候默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,这样就不怕爬取大量数据的时候突然被封啦。
本文IP来自国内高匿免费HTTP代理IP__第1页国内高匿 http://www.xicidaili.com/nn/
这一篇就主要讲讲怎么设置Proxy,上代码!
from bs4 import BeautifulSoup
import requests
import random
def get_ip_list(url, headers):#得到该页面的所有IP
web_data = requests.get(url, headers=headers)#得到网页响应web_data
soup = BeautifulSoup(web_data.text, 'lxml')#解析网页
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)#把类型换成小写
ip_list.append(httptype+'://'+tds[1].text + ':' + tds[2].text)
return ip_list
#从众多的IP中随机选一个出来使用
def get_random_ip(ip_list):
proxy_ip = random.choice(ip_list)
return proxy_ip
if __name__ == '__main__':
url = 'http://www.xicidaili.com/nn/'
#给请求指定一个请求头来模拟浏览器
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)#调用get_ip_list函数得到IP列表
proxies = get_random_ip(ip_list)#调用函数get_random_ip从IP列表中随机取用
print(proxies)
get_ip_list函数的执行效果是这样的:
加上get_random_ip函数后上述整个代码片的执行效果是这样的:
然后!把你得到的IP加进请求,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