听说你的爬虫被封了?

旧城等待， 2022-04-24 11:56 294阅读 0赞

![640?wx\_fmt=gif][640_wx_fmt_gif]

> 如果你在爬虫过程中有遇到“您的请求太过频繁，请稍后再试”，或者说代码完全正确，可是爬虫过程中突然就访问不了，那么恭喜你，你的爬虫被对方识破了，轻则给予友好提示警告，严重的可能会对你的ip进行封禁，所以代理ip那就尤为重要了。今天我们就来谈一下代理IP，去解决爬虫被封的问题。

网上有许多代理ip，免费的、付费的。大多数公司爬虫会买这些专业版，对于普通人来说，免费的基本满足我们需要了，不过免费有一个弊端，时效性不强，不稳定，所以我们就需要对采集的ip进行一个简单的验证。

## 1.目标采集 ##

本文主要针对西刺代理，这个网站很早之前用过，不过那个时候它还提供免费的api，现在api暂不提供了，我们就写个简单的爬虫去采集。

打开西刺代理，有几个页面，果断选择高匿代理。

![640?wx\_fmt=png][640_wx_fmt_png]

Chrome浏览器右键检查查看network，不难发现，每个ip地址都在td标签中，对于我们来说就简单许多了，初步的想法就是获取所有的ip，然后校验可用性，不可用就剔除。

![640?wx\_fmt=png][640_wx_fmt_png 1] image.png

*  定义匹配规则

import re
    
    ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')  # 匹配IP
    port_compile = re.compile(r'<td>(\d+)</td>')  # 匹配端口

## 2.校验 这里我使用淘宝ip地址库检验可用性 ##

**2.1、关于淘宝IP地址库**

目前提供的服务包括：  
1. 根据用户提供的IP地址，快速查询出该IP地址所在的地理信息和地理相关的信息，包括国家、省、市和运营商。  
2. 用户可以根据自己所在的位置和使用的IP地址更新我们的服务内容。  
我们的优势：  
1. 提供国家、省、市、县、运营商全方位信息，信息维度广，格式规范。  
2. 提供完善的统计分析报表，省准确度超过99.8%，市准确度超过96.8%，数据质量有保障。

**2.2、接口说明**

1.  请求接口（GET）：  
    http://ip.taobao.com/service/getIpInfo.php?ip=\[ip地址字符串\]  
    例：`http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44`
2.  响应信息：  
    （json格式的）国家 、省（自治区或直辖市）、市（县）、运营商
3.  返回数据格式：

{
        "code":0,"data":{
        "ip":"210.75.225.254","country":"\u4e2d\u56fd","area":"\u534e\u5317",
    "region":"\u5317\u4eac\u5e02","city":"\u5317\u4eac\u5e02","county":"","isp":"\u7535\u4fe1",
    "country_id":"86","area_id":"100000","region_id":"110000","city_id":"110000",
    "county_id":"-1","isp_id":"100017"}}

其中code的值的含义为，0：成功，1：失败。

注意：为了保障服务正常运行，每个用户的访问频率需小于10qps。  
我们先通过浏览器测试一下

*  输入地址`http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44`  
    
    
    ![640?wx\_fmt=png][640_wx_fmt_png 2]
 *  再次输入一个地址`http://ip.taobao.com/service/getIpInfo2.php?ip=112.85.168.98`  
    
    
    ![640?wx\_fmt=png][640_wx_fmt_png 3]
 *  代码操作

import requests
    
    check_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="
    api = check_api + ip
    try:
        response = requests.get(url=api, headers=api_headers, timeout=2)
        print("ip：%s 可用" % ip)
    except Exception as e:
        print("此ip %s 已失效：%s" % (ip, e))

## 3.代码 ##

代码中加入了异常处理，其实自己手写的demo写不写异常处理都可以，但是为了方便其他人调试，建议在可能出现异常的地方加入异常处理。

import requests
    import re
    import random
    
    from bs4 import BeautifulSoup
    
    ua_list = [
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",
        "Mozilla / 5.0(Windows NT 6.1;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 45.0.2454.101Safari / 537.36"
        ]
    
    
    def ip_parse_xici(page):
        """
    
        :param page: 采集的页数
        :return:
        """
        ip_list = []
        for pg in range(1, int(page)):
            url = 'http://www.xicidaili.com/nn/' + str(pg)
            user_agent = random.choice(ua_list)
            my_headers = {
        
                'Accept': 'text/html, application/xhtml+xml, application/xml;',
                'Accept-Encoding': 'gzip, deflate, sdch',
                'Accept-Language': 'zh-CN,zh;q=0.8',
                'Referer': 'http: // www.xicidaili.com/nn',
                'User-Agent': user_agent
            }
            try:
                r = requests.get(url, headers=my_headers)
                soup = BeautifulSoup(r.text, 'html.parser')
            except requests.exceptions.ConnectionError:
                print('ConnectionError')
            else:
                data = soup.find_all('td')
                # 定义IP和端口Pattern规则
                ip_compile = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')  # 匹配IP
                port_compile = re.compile(r'<td>(\d+)</td>')  # 匹配端口
                ips = re.findall(ip_compile, str(data))  # 获取所有IP
    
                ports = re.findall(port_compile, str(data))  # 获取所有端口
                check_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="
    
                for i in range(len(ips)):
                    if i < len(ips):
                        ip = ips[i]
                        api = check_api + ip
                        api_headers = {
        
                            'User-Agent': user_agent
                        }
                        try:
                            response = requests.get(url=api, headers=api_headers, timeout=2)
                            print("ip：%s 可用" % ip)
                        except Exception as e:
                            print("此ip %s 已失效：%s" % (ip, e))
                            del ips[i]
                            del ports[i]
                ips_usable = ips
                ip_list += [':'.join(n) for n in zip(ips_usable, ports)]  # 列表生成式
                print('第{}页ip采集完成'.format(pg))
        print(ip_list)
    
    
    if __name__ == '__main__':
        xici_pg = input("请输入需要采集的页数：")
        ip_parse_xici(page=xici_pg)

运行代码：

![640?wx\_fmt=png][640_wx_fmt_png 4] 日志

## 4.为你的爬虫加入代理ip ##

建议大家可以把采集的ip存入数据库，这样每次爬虫的时候直接调用即可，顺便提一下代码中怎么加入代理ip。

import requests
    
    url = 'www.baidu.com'
    headers = {
        
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",
    }
    proxies = {
        
        "http": "http://111.177.181.44:9999",
        # "https": "https://111.177.181.44:9999",
    }
    
    res = requests.get(url=url, headers=headers, proxies=proxies)

好了，妈妈再也不担心我爬虫被封了，代码可从文中复制粘贴。

[640_wx_fmt_gif]: /images/20220215/39d9f4b66d09472fb03c0dc1fdf5dd12.png
[640_wx_fmt_png]: /images/20220215/c9dd30ded11442258b00872698f5df2f.png
[640_wx_fmt_png 1]: /images/20220215/c0983a45ec8b4a62adb3786cdfe6e896.png
[640_wx_fmt_png 2]: https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_png/aSJyGw23SZA3lsNMNDvWMnq9e6cQpnsfQYMJl7o4WBSmUAb79ibZPxelM7ib2pKcugdPnDEx6WlZ67rmuZ4YG9UA/640?wx_fmt=png
[640_wx_fmt_png 3]: /images/20220215/14bfbf2cb405400aa9d6274a3adf7aba.png
[640_wx_fmt_png 4]: /images/20220215/6a2f72f33ba3456eafa2d1266ccff2d4.png