|
随着我们爬虫的速度越来越快，很多时候，有人发现，数据爬不了啦，打印出来一看。
不返回数据，而且还甩一句话
是不是很熟悉啊？
要想想看，人是怎么访问网站的？ 发请求，对，那么就会带有
request.headers，
那么当你疯狂请求别人的网站时候，人家网站的管理人员就会 觉得有点不对劲了，
他看看请求的 header 信息，一看吓一跳，结果看到的 headers 信息是这样的：
Host: 127.0.0.1:3369
User-Agent: python-requests/3.21.0
Accept-Encoding: gzip, deflate
Accept: */*
Connection: keep-alive
看到:
User-Agent: python-requests/3.21.0
居然使用 python 的库来请求，说明你已经暴露了，人家不封你才怪呢？
那么怎么办呢？伪装自己呗。
python 不可以伪装，浏览器可以伪装，所以可以修改浏览器的请求头。
简单来说，就是让自己的 python 爬虫假装是浏览器。
- 伪装 Header的哪个地方？
要让自己的 python 爬虫假装是浏览器，我们要伪装headers，那么headers里面有很多字段，我们主要注意那几个呢？
headers数据通常用这两个即可，强烈推荐在爬虫中为每个request都配个user-agent，而’Referer’如果需要就加，不需要就不用。（Referer是什么？后面补充知识点）
图示：
上面几个重要点解释如下：
Requests Headers：
· “吾是人！”——修改user-agent：里面储存的是系统和浏览器的型号版本，通过修改它来假装自己是人。
· “我从台湾省来”——修改referer：告诉服务器你是通过哪个网址点进来的而不是凭空出现的，有些网站会检查。
· “饼干！”：——带上cookie，有时带不带饼干得到的结果是不同的，试着带饼干去“贿赂”服务器让她给你完整的信息。
3.headers的伪装—随机User-Agent
爬虫机制：很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）
随机User-Agent生成 ：生成一个随机的User-Agent，这样你就可以是很多不同的浏览器模样。
（代码现成的，复制拿去用即可）
#!/usr/bin/python3
#@Readme : 反爬之headers的伪装
# 对于检测Headers的反爬虫
from fake_useragent import UserAgent # 下载：pip install fake-useragent
ua = UserAgent() # 实例化，需要联网但是网站不太稳定-可能耗时会长一些
# 1.生成指定浏览器的请求头
print(ua.ie)
print(ua.opera)
print(ua.chrome)
print(ua.google)
print(ua.firefox)
print(ua.safari)
# 随机打印一个浏览器的User-Agent
print(ua.random)
print('完毕。')
# 2.在工作中常用的则是ua.random方式
import requests
ua = UserAgent()
print(ua.random) # 随机产生
headers = {
'User-Agent': ua.random # 伪装
}
# 请求
url = 'https://www.baidu.com/'
response = requests.get(url, headers=headers)
print(response.status_code)
Referer的伪装：
如果想爬图片，图片反盗链的话就要用到Referer了。
headers = {'User-Agent’:ua.random,'Referer’:'这里放入图片的主页面’}
如果遇到防盗链的图片，一般思路就是先爬到所有图片的地址.jpg —–>将它们储存在列表中 —–>遍历访问图片地址，然后用 'wb’的格式打开文件写入，文件名根据图片地址动态改变。
这个基本上如果你的爬虫对象不是很严肃的图片网站，都不会用到。
4.2.1 自建的ip代理池
多线程爬虫
就是自己去收集网上公开的免费ip，自建起 自己的ip代理池。
就是通过 python 程序去抓取网上大量免费的代理 ip ， 然后定时的去检测这些 ip 可不可以用，那么下次你要使用代理 ip 的时候，你只需要去自己的 ip 代理池里面拿就行了。
简单来说：访问免费代理的网站 —> 正则/xpath提取 ip和端口—> 测试ip是否可用 》》可用则保存 》》使用ip爬虫 > 过期，抛弃ip。
这个过程可以使用多线程或异步的方式，因为检测代理是个很慢的过程。
这是来源于网络的一个西刺代理的多线程ip代理爬虫：（我不用）
#!/usr/bin/python3
#@Readme : IP代理==模拟一个ip地址去访问某个网站（爬的次数太多，ip被屏蔽）
# 多线程的方式构造ip代理池。
from bs4 import BeautifulSoup
import requests
from urllib import request, error
import threading
import os
from fake_useragent import UserAgent
inFile = open('proxy.txt') # 存放爬虫下来的ip
verifiedtxt = open('verified.txt') # 存放已证实的可用的ip
lock = threading.Lock()
def getProxy(url):
# 打开我们创建的txt文件
proxyFile = open('proxy.txt', 'a')
# 伪装
ua = UserAgent()
headers = {
'User-Agent': ua.random
}
# page是我们需要获取多少页的ip，这里我们获取到第９页
for page in range(1, 10):
# 通过观察ＵＲＬ，我们发现原网址+页码就是我们需要的网址了，这里的page需要转换成str类型
urls = url + str(page)
# 通过requests来获取网页源码
rsp = requests.get(urls, headers=headers)
html = rsp.text
# 通过BeautifulSoup，来解析html页面
soup = BeautifulSoup(html,'html.parser')
# 通过分析我们发现数据在 id为ip_list的table标签中的tr标签中
trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表
# 我们循环这个列表
for item in trs[1:]:
# 并至少出每个tr中的所有td标签
tds = item.find_all('td')
# 我们会发现有些img标签里面是空的，所以这里我们需要加一个判断
if tds[0].find('img') is None:
nation = '未知'
locate = '未知'
else:
nation = tds[0].find('img')['alt'].strip()
locate = tds[3].text.strip()
# 通过td列表里面的数据，我们分别把它们提取出来
ip = tds[1].text.strip()
port = tds[2].text.strip()
anony = tds[4].text.strip()
protocol = tds[5].text.strip()
speed = tds[6].find('div')['title'].strip()
time = tds[8].text.strip()
# 将获取到的数据按照规定格式写入txt文本中，这样方便我们获取
proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))
def verifyProxyList():
verifiedFile = open('verified.txt', 'a')
while True:
lock.acquire()
ll = inFile.readline().strip()
lock.release()
if len(ll) == 0: break
line = ll.strip().split('|')
ip = line[1]
port = line[2]
realip = ip + ':' + port
code = verifyProxy(realip)
if code == 200:
lock.acquire()
print("---Success成功:" + ip + ":" + port)
verifiedFile.write(ll + "\n")
lock.release()
else:
print("---Failure失败:" + ip + ":" + port)
def verifyProxy(ip):
'''
验证代理的有效性
'''
ua = UserAgent()
requestHeader = {
'User-Agent': ua.random
}
url = "http://www.baidu.com"
# 填写代理地址
proxy = {'http': ip}
# 创建proxyHandler
proxy_handler = request.ProxyHandler(proxy)
# 创建ｏｐｅｎｅｒ
proxy_opener = request.build_opener(proxy_handler)
# 安装opener
request.install_opener(proxy_opener)
try:
req = request.Request(url, headers=requestHeader)
rsq = request.urlopen(req, timeout=5.0)
code = rsq.getcode()
return code
except error.URLError as e:
return e
if __name__ == '__main__':
# 手动新建两个文件
filename = 'proxy.txt'
filename2 = 'verified.txt'
if not os.path.isfile(filename):
inFile = open(filename, mode="w", encoding="utf-8")
if not os.path.isfile(filename2):
verifiedtxt = open(filename2, mode="w", encoding="utf-8")
tmp = open('proxy.txt', 'w')
tmp.write("")
tmp.close()
tmp1 = open('verified.txt', 'w')
tmp1.write("")
tmp1.close()
# 多线程爬虫西刺代理网，找可用ip
getProxy("http://www./nn/")
getProxy("http://www./nt/")
getProxy("http://www./wn/")
getProxy("http://www./wt/")
all_thread = []
for i in range(30):
t = threading.Thread(target=verifyProxyList)
all_thread.append(t)
t.start()
for t in all_thread:
t.join()
inFile.close()
verifiedtxt.close()
运行一下，效果：
爬出来的可用的很少或者很短：
重点来了！！！！！！！！！
4.2.3 开源 ip代理池—ProxyPool（吐血推荐）
类比线程池，进程池，懂了吧？
这是俺发现的一个不错的开源 ip 代理池ProxyPool，可以用windows系统的，至少Python3.5以上环境哟，还需要将Redis服务开启。
现成的代理池，还不用起来？
ProxyPool下载地址：
https://github.com/Python3WebSpider/ProxyPool.git
（可以手动下载也可以使用git下来。）
1.ProxyPool的使用：
首先使用 git clone 将源代码拉到你本地，
3.进入proxypool目录，修改settings.py文件，PASSWORD为Redis密码，如果为空，则设置为None。（新装的redis一般没有密码。）
(如果你没 redis 的话，可以先去下载了安装了再来看吧。)
（假设你的redis已经安装完成。）
4.接着在你 clone 下来的文件目录中（就是这个ProxyPool存的电脑路径 ）
5.安装相关所需的 依赖包：
（pip或pip3）
pip install -r requirements.txt
（如果你把ProxyPool导入在pycharm里面，那就一切都在pycharm里面搞就可以了。
6.接下来开启你的 redis服务，
直接cmd 打开dos窗口，运行：redis-server.exe
即可开启redis服务器。redis 的默认端口就是 6379
7.接着就可以运行 run.py 了。
可以在cmd里面命令方式运行，也可以导入pycharm里面运行。
图示：
8.运行 run.py 以后，你可以打开你的redis管理工具，或者进入redis里面查看，这时候在你的 redis 中就会存入很多已经爬取到的代理 ip 了：
9.项目跑起来之后，【不要停止】，此时redis里面存了ip，就可以访问这个代理池了。
在上面的图中，可以看到有这么一句话
Running on http://0.0.0.0:5555/ (Press CTRL+C to quit)
这就是告诉我们随机访问地址URL是多少。
10.在浏览器中随机获取一个代理 ip 地址：
你就浏览器输入：
http://0.0.0.0:5555/random
11.在代码中随机获取一个ip代理
就这样：
import requests
# 随机ip代理获取
PROXY_POOL_URL = 'http://localhost:5555/random'
def get_proxy():
try:
response = requests.get(PROXY_POOL_URL)
if response.status_code == 200:
return response.text
except ConnectionError:
return None
if __name__ == '__main__':
print(get_proxy())
好了。到此结束了。
使用这个 ip代理池，目前来说是最好的了，又免费又高效唉~~~
5.报错解决
安装的时候，如果报错类似于如下：
AttributeError: 'int’ object has no attribute 'items
更新一下 对应的xxx软件版本，比如redis 版本：
pip install redis==3.33.1
最后给一个Redis Desktop Manager安装教程：
Redis 服务安装与配置
1.下载解压
先下载Redis：
https://github.com/ServiceStack/redis-windows/tree/master/downloads
下载完后解压到任意路径下（我的是D:\SoftWare\Redis-3.0）
2.启动redis服务器
进入解压后的文件夹，然后运行redis-server.exe文件。
注意：该窗口不可关闭，否则，Redis服务不可用！
现在再从Redis Desktop Manager进行连接就可以成功了！
3.启动redis客户端
直接双击D:\SoftWare\Redis-3.0目录下的redis-cli.exe文件（redis客户端），如果显示127.0.0.1:6379> ，就说明客户端运行成功。
4.修改密码
redis默认是空密码，但是这样在项目上线后是不安全的，容易被入侵，所以要设置密码。
1）打开redis.windows.conf文件，找到# requirepass foobared 这行，在此行下增加一行requirepass 所设置的密码 ，保存。
//此处注意，密码自定义就行，并且行前不能有空格！
2）打开cmd(windows命令窗口)，切换到redis-server.exe目录下。
3）输入命令：redis-server.exe redis.windows.conf启动redis，即可使用密码了。
4）客户端测试：
127.0.0.1:6379> keys *
(empty list or set)
127.0.0.1:6379> auth redis //会报以下错误
(error) ERR Client sent AUTH, but no password is set
127.0.0.1:6379> CONFIG SET requirepass "redis" //执行此行指令即可解决错误
OK
127.0.0.1:6379> auth redis
OK
5.将Redis服务安装到本地服务
由于上述启动Redis服务器的方式有点复杂，且redis服务窗口不可关闭。故这里介绍如何将Redis服务安装到Windows系统的本地服务。
在cmd下输入以下命令：
redis-server --service-install redis.conf --loglevel verbose //安装redis本地服务，指定配置文件redis.windows.conf
6.如何卸载Redis本地服务
打开win系统命令行，依次输入下列命令：
C:\Users\lenovo>cd /d D:
D:>cd D:\SoftWare\Redis-3.0
D:\SoftWare\Redis-3.0> redis-server --service-uninstall
|
