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 > 爬虫使用代理ip和随机ua突破反爬机制

爬虫使用代理ip和随机ua突破反爬机制

来源:IP精灵 作者:admin 时间:2019-10-09 10:23:28

  爬虫使用代理ip和随机ua突破反爬机制。在爬取网站的时候,经常会遇到一个问题,就是很多网站上都部署了反爬虫机制,当服务器检测到一段时间内同一个IP持续密集的访问网站,则将其判定为爬虫程序,在一段时间内不允许该ip 地址访问服务器。

爬虫使用代理ip和随机ua突破反爬机制

  如果平时没什么事儿的话,可以写个延迟函数,每爬一次随机歇个几秒钟,这样可以很有效的降低访问密度,从而避开反爬机制。但是,这样的话太浪费时间了,几万条数据可能要爬一整天。有时候我们需要更加有效率的爬取数据,所以需要使用代理 IP 和随机 UA(User-Agent)。说白了就是伪装爬虫,假装不同的人使用不同的浏览器在访问网站。

  使用代理 IP

  之前我了解到的使用代理 IP 的方法,一般都是提前从一些免费的代理网站上爬取免费代理,存在本地或者数据库中,使用的时候再进行读取。

  但是这样做有个小问题就是,免费的代理 IP 存活时间都特别短暂,从几十秒到几十分钟不等,我之前整过几次,每次爬完 IP 之后,到用的时候,已经有一半左右的IP已经失效了。感觉不是特别好用,就没在搞了。

  后来看到这位大佬的思路之后,我才重新发现了使用代理 IP 的强大之处。它在爬虫运行的同时,在线获取代理 IP。每次只获取一页,存于数组中,随机使用。当大部分的 IP 失效之后(记录访问失败的次数,当超过一定阈值时,则视为此页代理 IP 失效),然后重新获取一页代理 IP,如此,可保证每次使用的都是最新的 IP,而且不需要额外的空间和文件来存放代理 IP。

  def get_proxy(page):

  ''' 功能:获取 快代理 网站上的最新免费代理IP 参数: page 页数

  返回:存有代理 IP 的列表 proxyList

  '''

  # 存放获取到的代理 IP 信息

  proxyList = [] # 访问 快代理 网站,获取第 page 页的网页信息

  headers = { "User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"

  }

  request = urllib.request.Request("https://www.kuaidaili.com/free/inha/"+str(page), headers=headers)

  html = urllib.request.urlopen(request).read()

  # 解析网页信息,从中提取代理 ip 的数据

  content = etree.HTML(html)

  ip = content.xpath('//td[@data-title="IP"]/text()')

  port = content.xpath('//td[@data-title="PORT"]/text()') # 将代理 ip 信息存入 proxyList 列表

  for i in ip: for p in port:

  proxyList.append(i+':'+p) return proxyList

  使用随机 UA

  UA,即 User-Agent ,使用它可以将我们的爬虫伪装成浏览器,让对方以为是真人在使用浏览器访问,从而骗过目标网站的反爬机制。但是使用固定的 UA 去爬也是会有问题的,你想嘛,假如你发现最近几个小时内来访问的几万个用户,用的都是同一个浏览器,你还会认为对面是真人吗?不封它封谁!

  所以,为了让我们的爬虫更像真人在使用,我们不仅要为它设置 UA,还要使用随机 UA(让对方服务器开心的以为有好多的用户在访问呢)。

  这是 UA 列表,截取了部分,这个在网上随便一找就能找到好多。

  USER_AGENTS = [

  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60',

  'Opera/8.0 (Windows NT 5.1; U; en)',

  'Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50',

  'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50',

  'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0',

  'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10',

  '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/39.0.2171.71 Safari/537.36',

  'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',

  'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16',

  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11',

  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',

  'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)',

  'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0',

  'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)',

  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'

  ]

  使用的时候,直接使用随机函数 random.choice() 来从列表中选择选择一个。

  使用方法可以参考以下代码:

  user_agent = random.choice(USER_AGENTS)proxy = random.choice(proxyList)url = 'https://blog.csdn.net/wenxuhonghe/article/details/85036674' headers = { "Connection": "keep-alive", "Cache-Control": "max-age=0", "Upgrade-Insecure-Requests": "1", "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8", "Accept-Language": "zh-CN,zh;q=0.9", "Cookie": ""

  }

  try: # 构建一个Handler处理器对象,参数是一个字典类型,包括代理类型和代理服务器IP+PROT

  httpproxy_handler = urllib.request.ProxyHandler({"http": proxy}) opener = urllib.request.build_opener(httpproxy_handler)

  urllib.request.install_opener(opener) request = urllib.request.Request(url,headers=headers)

  request.add_header("User-Agent", user_agent) response = urllib.request.urlopen(request) html = response.read()

  # 解析目标页面,提取相关信息

  parse_data(html)

  time.sleep(1)

  except Exception as result:

  print ("错误信息:%s"%(result))

  写在后面的话

  上面介绍了如何使用代理 ip 和 随机 ua 来避开网站的反爬虫机制,实现高效率的数据爬取。推荐阅读:代理IP的直接转发与隧道转发是什么

  本文中使用的方法亲测可用,但是代码并非全部源码,不保证代码可以直接复制粘贴使用,建议大家理解原理之后,根据自己的爬虫项目需要进行相应的调整。


最新资讯

推荐阅读

  1. 28

    2019-08

    检测代理IP匿名程度的方法

    从事互联网工作的朋友的基本都知道代理,这个是肯定的,不管是用IP代理精灵,还是直接VPN的通道代理,代理有着不用说大家也知道的重要性。不管是做CPA还是做点击亦或者投票,代理都能帮

  2. 17

    2019-10

    动态ip拨号VPS的AB段是什么意思?

    动态ip拨号VPS的AB段是什么意思?随着互联网需求的增加,很多公司和个人都在使用动态拨号VPS,但是有些用户看到拨号vps介绍里面ip段标的几A段、几AB段,却不懂其含义,IPV4协议里面一个完整的ip

  3. 16

    2019-04

    使用HTTP代理服务器的安全性简评

    由于各种原因,在国内上网,免不了要和HTTP代理服务器打交道。HTTP代理服务器分加密代理服务器​和普通代理服务器。如果我们在自己的电脑上运行了某些软件之后就能访问之前不能访问的网

  4. 04

    2018-12

    爬虫如何正确的使用IP池

    爬虫在爬取数据时,需要用到IP池,万一IP被封,即可通过IP池切换IP,继续工作。如果在爬取的过程中,不注意操作,非常容易被反爬虫机制识别,导致大批IP被封,这些IP获取也不容易,那么...

  5. 19

    2019-09

    Python爬虫为什么被封禁 如何解封?

    Python爬虫为什么被封禁 如何解封?平时大家在采集数据时经常遇IP被封禁,限制。其实在互联网上进行数据抓取时,总会遇见防不胜防的封禁问题,导致日常工作无法正常运行,整个人都不好了

  6. 15

    2019-05

    反向代理服务器是什么

    我们常会看到“反向代理服务器​”这个名词,例如常看到文章上说 nginx 是一个反向代理服务器、varnish 是一个反向代理服务器。反向代理服务器是什么?下面就了解下这个概念。含义 “反向