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

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. 18

    2019-08

    怎么找好用的HTTP代理

    随着互联网的发展,人们对HTTP代理的需求也很多。然而好用的HTTP代理并不是好找的。那么,怎么找好用的HTTP代理呢?

  2. 10

    2020-07

    浅谈动态IP与静态IP之别

    浅谈动态IP与静态IP之别!IP是能使连接到网上的所有计算机网络实现相互通信的一套规则,规定了计算机在因特网上进行通信时应当遵守的规则。正是因为有了IP协议并且遵守才可以与互联网实现

  3. 06

    2019-09

    爬虫选择ip代理软件的5个条件

    爬虫选择ip代理软件的5个条件。程序员圈友们都有这样的经历,在我们学习各种编程语言的时候,出现各种异常是很常见的,拿最简单最基础的爬虫采集数据为例,过程中就会面临,IP被封,爬

  4. 31

    2019-10

    为什么说自媒体行业的发展离不开代理IP?

    为什么说自媒体行业的发展离不开代理IP?现在越来越多的人开始使用微博,今日头条媒体平台,所以很多人看到这个机会和机遇,并从媒体平台的帮助来发展自己的业务,但也因为媒体的蓬勃

  5. 22

    2020-08

    手机端换IP如何实现

    手机端换IP如何实现?大家现在出门都会带上手机,而电脑就未必会随身携带。所以,现在手机的使用场景除了在生活上之后,工作上也开始普遍。有很多工作流程都可以用手机来进行。

  6. 23

    2019-04

    python爬虫抓取网站数据的一些技巧

    用python做爬虫可以说是非常常见的,很多人都选择这门语言来做爬虫,因为它简洁。接下来整理了一些python爬虫的相关技巧,希望能给初学者带来帮助。一、最基本的操作 抓取某个站点。 import