注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册 实名验证

首页 > 新闻资讯 > 使用Jsoup和代理IP做数据抓取

使用Jsoup和代理IP做数据抓取

来源:IP代理精灵 作者:admin 时间:2019-08-29 14:01:18

现在爬数据越来越难,各种反爬,简单的网站没做什么反爬,就随便介绍下:


随便找点网站弄点免费的http代理ip,去爬一下,太简单就不介绍了,目前最好用的代理ip是IP代理精灵。


具体说下,稍微有点爬虫技术含量的吧,怎么样伪装自己的爬虫程序,尽量避免反爬:

使用Jsoup和代理IP做数据抓取

请求头的user-agent参数必不可少,而且!!!!要随机,这里是大坑,我之前就是没有随机,然后爬了几天就被人反爬了,醉了,我当时还以为代理的问题,一直跟客服比比比比比,说他们代理被封了,后来才发现是我的请求头里面的user-agent被封了,然后心里愧疚的跟客服小姐姐抱歉了下。。。僵硬。 user-agent是浏览器的标识,所以越多越好,大量的随机,跟代理ip一样重要!


来源!来源! 说实话之前一直没发现,后来是访问某网站的时候发现的,反爬做这么多干嘛,累啊,互联网,数据大家一起用嘛!! 请求头的referer这个参数就是记录的来源。为什么要伪装这个参数。我详细的说明下,你来源不伪装,就直接请求别人的接口,凭什么,他这个接口可能只是给页面调用的。。浏览器请求的时候都有来源,你不伪装,不就暴露了,具体传什么参数,不同的网站都不一样,可以F12看下浏览器请求的时候传的什么。


代理ip必不可少,这里用免费的就不太好了,因为既然要爬数据,肯定要快,ip的要求就比较高,而且要有效的数量比较多,不然别人网站升级什么的,你没爬完,爬虫程序就蹦了。所以让老板花钱省心省力提高效率 。代理Ip的网站现在很多,我就不随便推荐了,免得查水表。


源码我就随便贴一下,应该是可以跑的,就是获取代理ip的url记得换下。


import java.io.IOException;


import java.util.*;


import java.util.concurrent.ExecutorService;


import java.util.concurrent.Executors;


import org.jsoup.Jsoup;


import org.jsoup.nodes.Document;


import org.slf4j.Logger;


import org.slf4j.LoggerFactory;


import net.sf.json.JSONObject;


public class Test {


//获取代理ip,记得更换,我用的是IP代理精灵的,可以换成其他的网站的


private final static String GET_IP_URL = "http://api.ip.goubanjia.com/dynamic/get.html?order=xxxx&sep=3&json=1";


public static void main(String[] args) throws InterruptedException {


List<String> addrs = new LinkedList<String>();


Map<String,Integer> addr_map = new HashMap<String,Integer>();


Map<String,String> ipmap = new HashMap<String,String>();


ExecutorService exe = Executors.newFixedThreadPool(10);


for (int i=0 ;i<1;i++) {


Document doc = null;


try {


doc = Jsoup.connect(GET_IP_URL).get();


} catch (IOException e) {


continue;


}


System.out.println(doc.text());


JSONObject jsonObject = JSONObject.fromObject(doc.text());


List<Map<String,Object>> list = (List<Map<String,Object>>) jsonObject.get("data");


int count = list.size();


for (Map<String,Object> map : list ) {


String ip = (String)map.get("ip");


String port = (String)map.get("port") ;


ipmap.put(ip,"1");


checkIp a = new checkIp(ip, new Integer(port),count);


exe.execute(a);


}


exe.shutdown();


Thread.sleep(1000);


}


}


}


class checkIp implements Runnable {


private static Logger logger = LoggerFactory.getLogger(aaa.class);


private static int suc=0;


private static int total=0;


private static int fail=0;


private String ip ;


private int port;


private int count;


public checkIp(String ip, int port,int count) {


super();


this.ip = ip;


this.port = port;


this.count = count;


}


@Override


public void run() {


Random r = new Random();


String[] ua = {"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:46.0) Gecko/20100101 Firefox/46.0",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",


"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586",


"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko",


"Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)",


"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)",


"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0)",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 BIDUBrowser/8.3 Safari/537.36",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36 Core/1.47.277.400 QQBrowser/9.4.7658.400",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 UBrowser/5.6.12150.8 Safari/537.36",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0",


"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36 TheWorld 7",


"Mozilla/5.0 (Windows NT 6.1; W…) Gecko/20100101 Firefox/60.0"};


int i = r.nextInt(14);


logger.info("检测中------ {}:{}",ip,port );


Map<String,String> map = new HashMap<String,String>();


map.put("waybillNo","DD1838768852");


try {


total ++ ;


long a = System.currentTimeMillis();


//爬取的目标网站,url记得换下。。。!!!


Document doc = Jsoup.connect("http://trace.yto.net.cn:8022/TraceSimple.aspx")


.timeout(5000)


.proxy(ip, port, null)


.data(map)


.ignoreContentType(true)


.userAgent(ua[i])


.header("referer","http://trace.yto.net.cn:8022/gw/index/index.html")//这个来源记得换..


.post();


System.out.println(ip+":"+port+"访问时间:"+(System.currentTimeMillis() -a) + "   访问结果: "+doc.text());


suc ++ ;


} catch (IOException e) {


e.printStackTrace();


fail ++ ;


}finally {


if (total == count ) {


System.out.println("总次数:"+total);


System.out.println("成功次数:"+suc);


System.out.println("失败次数:"+fail);


}


}


}


}


最新资讯

推荐阅读

  1. 02

    2019-01

    哪个代理IP的质量比较好?怎么检测代理IP是否好用?

    虽然市场上的代理IP商非常多,但每家的IP质量情况不一样,有一些体验效果非常差,IP可用率也低,想找一家靠谱的真的不容易,那么哪个代理IP的质量比较好?如何对比每家的代理IP商的IP质量

  2. 05

    2019-05

    代理IP使用起来安不安全?

    在使用爬虫多次爬取同一同一网站时,经常会被网站的IP反爬虫机制给禁掉,为了解决禁封IP的问题,我们通常会使用代理IP。很多用户都会有这个疑问,代理IP使用起来安不安全?今天本文就来

  3. 22

    2019-11

    如何为你的爬虫实现动态ip代理?

    如何为你的爬虫实现动态ip代理?在写爬虫时,某些网站会有一些防爬措施,比如限制单个ip的访问频率。而突破ip限制的方式,大概有如下几种:

  4. 23

    2019-05

    爬虫使用HTTP代理可以突破IP限制吗

    大家可能对于HTTP代理并不是很了解,其实工作中会经常使用到HTTP代理,一些需要换IP的工作,经常使用的就是HTTP代理,当然还有其他的代理,但主要用的还是HTTP代理。那么,爬虫使用HTTP代理

  5. 08

    2020-05

    浅谈ip代理服务器和云连N

    浅谈ip代理服务器和云连N!ip代理服务器 :也称网络代理商,是一种独特的网络服务项目,容许一个网络终端(一般为手机客户端)根据这一服务项目与另一个网络终端(一般为服务器)开展非立即的

  6. 20

    2019-05

    代理服务器怎么操作?有什么风险?

    最近很多用户咨询我们代理服务器方面的问题,小编针对这些问题做了一些整理。今天就和大家简单的介绍一下代理服务器那些事儿。什么是代理服务器?代理服务器充当您和互联网之间的网关