一、反爬虫之隐藏

1、网站检查访问的是正常用户还是程序，关键在于User-Agent

1）、第一种方法：采用header

--修改header(两种方法):

　　-->  在Request之前通过headers参数修改

　　-->  在Request之后通过Request.add_header()修改

import urllib.request

import urllib.parse

import json

import random

import time

import hashlib

#用户输入翻译的内容

content = input('请输入需要翻译的内容：')

#连接url地址

url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

#第一种方法：

#head = {}

#head['User-Agent']='Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'

#发送给服务器请求的数据

data = {}

#此部分数据来源于：FromData

data['i']= content

data['from']= 'AUTO'

data['to']= 'AUTO'

data['smartresult']= 'dict'

data['client']= 'fanyideskweb'

data['salt']= ''

data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'

data['ts']= ''

data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'

data['doctype']= 'json'

data['version']= '2.1'

data['keyfrom']= 'fanyi.web'

data['action']= 'FY_BY_CLICKBUTTION'

data['typoResult']= 'false'

#对数据进行编码处理

data = urllib.parse.urlencode(data).encode('utf-8')

#创建一个request对象，把url和data传进去，并且使用POS请求

request = urllib.request.Request(url = url,data=data,method='POST')

#第二种方法：

request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')

#打开请求

reponsend =urllib.request.urlopen(request)

#读取返回来的数据

html = reponsend.read().decode('utf-8')

#把返回来的json字符串解析成字典

line = json.loads(html)

#print(line)

#获取翻译结果

print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))

2）、要想爬取很多内容，修改header就达不到这种效果了，就需要采用代理

　　--  两种方法：

　　　-->  time.sleep() 方法  (效率低)

　　　-->  使用代理

#time.sleep()方法
import urllib.request

import urllib.parse

import json

import random

import time

import hashlib

while True:

    #用户输入翻译的内容

    content = input('请输入需要翻译的内容(输入q!退出程序)：')

    if content=='q!':

        break

    #连接url地址

    url = 'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule'

    #发送给服务器请求的数据

    data = {}

    #此部分数据来源于：FromData

    data['i']= content

    data['from']= 'AUTO'

    data['to']= 'AUTO'

    data['smartresult']= 'dict'

    data['client']= 'fanyideskweb'

    data['salt']= ''

    data['sign']= 'ba81b8cb1c6dc64c253bf6d250cbc09b'

    data['ts']= ''

    data['bv']= '6d37ec4625573a83fa9ca0cb1e144ce5'

    data['doctype']= 'json'

    data['version']= '2.1'

    data['keyfrom']= 'fanyi.web'

    data['action']= 'FY_BY_CLICKBUTTION'

    data['typoResult']= 'false'

    #对数据进行编码处理

    data = urllib.parse.urlencode(data).encode('utf-8')

    #创建一个request对象，把url和data传进去，并且使用POS请求

    request = urllib.request.Request(url = url,data=data,method='POST')

    #打开请求

    reponsend =urllib.request.urlopen(request)

    #读取返回来的数据

    html = reponsend.read().decode('utf-8')

    #把返回来的json字符串解析成字典

    line = json.loads(html)

    #print(line)

    #获取翻译结果

    print('翻译的结果：%s'%(line['translateResult'][0][0]['tgt']))

    time.sleep(3)

执行结果：

请输入需要翻译的内容(输入q!退出程序)：爱国

翻译的结果：patriotic

请输入需要翻译的内容(输入q!退出程序)：乘法

翻译的结果：The multiplication

请输入需要翻译的内容(输入q!退出程序)：q!

>>>

-->代理步骤：

1、参数是一个字典{'类型':'代理IP：端口号'}

proxy_support = urllib.request.ProxyHandler({})

2、定制、创建一个opener

opener = urllib.request.build_opener(proxy_support)

3a、安装opener

urllib.request.install_opener(opener)

3b、调用opener

opener.open(url)

import urllib.request

import random

#此网址显示当前IP的所在地址

url = 'http://www.whatismyip.com.tw'

iplist=['123.139.56.238:9999','163.125.158.250:8888','113.200.214.164:9999','111.11.98.58:9000','221.178.176.25:3128']

proxy_support = urllib.request.ProxyHandler({'http':random.choice(iplist)})

opener = urllib.request.build_opener(proxy_support)

opener.addheaders=[('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36')]

urllib.request.install_opener(opener)

response=urllib.request.urlopen(url)

html = response.read().decode('utf-8')

print(html)

二、动手题

1、编写一个爬虫，爬百度百科“网络爬虫”的词条，（连接： http://baike.baidu.com/view/284853.htm），将所有包含“view”的连接按下边格式打印出来：

'''

|-- 代码解析思路：

|-- 1、通过bs4的BeautifulSoup来获取html的源代码

|-- 2、从源代码中找到包含"view"的href链接

|-- 3、把获取出来的连接打印出来

'''

import urllib.request

import re

from bs4 import BeautifulSoup

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

def main():

    url = 'http://baike.baidu.com/view/284853.htm'

    response = urllib.request.urlopen(url)

    html = response.read()

    #采用BeautifulSoup来获取html源代码

    soup = BeautifulSoup(html,'html.parser') #使用python默认的解析器

    #源代码中找到包含view的href地址

    #正则表达式（re.compile之后的对象）

    for each in soup.find_all(href = re.compile("view")):

        print("=======\n",each)

        #join():拼接字符串，元组，列表中的元素

        #os.path.join():将多个路径组合后返回

        context = ''.join([each.text])

        url2 = ''.join(["http://baike.baidu.com",each["href"]])

        print(context,"-->",url2)

        # print(each.text,"-->",''.join(["http://baike.baidu.com",each["href"]]))

if __name__ == "__main__":

    main()
'''

=======

 <a href="/wikicategory/view?categoryName=恐龙大全" target="_blank">恐龙百科</a>

恐龙百科 --> http://baike.baidu.com/wikicategory/view?categoryName=恐龙大全

=======

 <a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科</a>

多肉百科 --> http://baike.baidu.com/wikicategory/view?categoryName=多肉植物

=======

 <a class="lock-lemma" href="/view/10812319.htm" nslog-type="10003105" target="_blank" title="锁定"><em class="cmn-icon wiki-lemma-icons wiki-lemma-icons_lock-lemma"></em>锁定</a>

锁定 --> http://baike.baidu.com/view/10812319.htm

'''

知识扩展：

https://www.cnblogs.com/franknihao/p/6542460.html

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/index.html

2、直接打印词条名和连接不算什么本事，这题要求你的爬虫允许用户输入关键词，然后爬虫进入每一个词条，然后检索该词条是否具有副标题，如果有，请将副标题一块打印出来

# encoding:utf-8

import urllib.request

import urllib.parse

import re

from bs4 import BeautifulSoup

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

def main():

    keyword = input("请输入检索的词：")

    #把keyword转换成python识别的字符串

    #https://baike.baidu.com/search/word?word=%E8%83%A1%E6%AD%8C

    keyword = urllib.parse.urlencode({"word":keyword})

    #打开网页

    response = urllib.request.urlopen("https://baike.baidu.com/search/word?%s" %keyword)

    #获取网页输出

    html = response.read()

    #使用BeautifulSoup读取网页源代码

    soup = BeautifulSoup(html,"html.parser")

    #中文字符用于判断是否是中文

    zh_pattern = re.compile(u'[\u4e00-\u9fa5]+')

    #开始第二遍的遍历

    for each in soup.find_all(href = re.compile("view")):

        #find_all 代表全文搜索，find 只显示一条结果

        #href = re.compile("view") 如下例子：

        #<a target=_blank href=/view/5458338.htm>一念执着</a>

        #re.compile("view") 正则匹配有view关键字的链接

        #print("each--",each)

        #获取链接的标题

        #<a href="/wikicategory/view?categoryName=多肉植物" target="_blank">多肉百科<>

        #context = 多肉百科

        context = ''.join([each.text])

        #如果标题为空，则终止本次循环

        if context == "":

            continue

        #拼接新的URL链接

        #（http://baike.baidu.com）+ (/wikicategory/view?categoryName=多肉植物)

        url2 =''.join(["http://baike.baidu.com",each["href"]])

        #出现一个问题，如果链接是完整的，然后在加上前缀就不对了

        #http: // baike.baidu.comhttp: // baike.baidu.com / view / 12878522.htm

        #如果url2中出现中文，就终止本次循环，因为编码不一样就会报错然后结束程序

        if zh_pattern.search(url2):

            continue

        # 打开网址如下:

        # http://baike.baidu.com/view/482616.htm

        # 然后获取网页内容

        response2 = urllib.request.urlopen(url2)

        html2 = response2.read()

        soup2 = BeautifulSoup(html2,"html.parser")

        #如果网页h2标签存在（即：副标题存在），则重新定义context

        if soup2.h2:

            context = ''.join([context,soup2.h2.text])

        context = ''.join([context,"-->",url2])

        #打印完整的内容：标题+副标题 --> url链接

        print(context)

if __name__ == "__main__":

    main()
'''

/usr/local/bin/python3.7 /Users/wufq/WebCrawler/wc/百度百科搜索.py

请输入检索的词：胡歌

岑参诗作（岑参诗作）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/18074325#viewPageContent

2011年孙凰发行二胡民乐（2011年孙凰发行二胡民乐）-->http://baike.baidu.com/item/%E8%83%A1%E6%AD%8C/22240446#viewPageContent

锁定目录-->http://baike.baidu.com/view/10812319.htm

一念执着-->http://baike.baidu.com/view/5458338.htm

逍遥叹（胡歌演唱歌曲）-->http://baike.baidu.com/view/345628.htm

一吻天荒目录-->http://baike.baidu.com/view/8130305.htm

忘记时间-->http://baike.baidu.com/view/2492625.htm

六月的雨目录-->http://baike.baidu.com/view/34074.htm

光棍（单身人士称谓）-->http://baike.baidu.com/view/88402.htm

天亮以后-->http://baike.baidu.com/view/482616.htm

月光（胡彦斌演唱《秦时明月》系列片头曲）-->http://baike.baidu.com/view/18752.htm

乌云然目录-->http://baike.baidu.com/view/1639821.htm

敢不敢爱（胡歌演唱歌曲）-->http://baike.baidu.com/view/2894946.htm

高手（2005年潘玮柏音乐专辑）-->http://baike.baidu.com/view/91601.htm

我不做英雄目录-->http://baike.baidu.com/view/5930821.htm

Process finished with exit code 0

'''

【Python55--爬虫：代理】的更多相关文章

  1. Python爬虫代理池

    爬虫代理IP池 在公司做分布式深网爬虫,搭建了一套稳定的代理池服务,为上千个爬虫提供有效的代理,保证各个爬虫拿到的都是对应网站有效的代理IP,从而保证爬虫快速稳定的运行,当然在公司做的东西不能开源出来 ...

  2. 通过爬虫代理IP快速增加博客阅读量——亲测CSDN有效！

    写在前面 题目所说的并不是目的,主要是为了更详细的了解网站的反爬机制,如果真的想要提高博客的阅读量,优质的内容必不可少. 了解网站的反爬机制 一般网站从以下几个方面反爬虫: 1. 通过Headers反 ...

  3. 【python3】如何建立爬虫代理ip池

    一.为什么需要建立爬虫代理ip池 在众多的网站防爬措施中,有一种是根据ip的访问频率进行限制的,在某段时间内,当某个ip的访问量达到一定的阀值时,该ip会被拉黑.在一段时间内被禁止访问. 这种时候,可 ...

  4. 维护爬虫代理IP池--采集并验证

    任务分析 我们爬的免费代理来自于https://www.kuaidaili.com这个网站.用`requests`将ip地址与端口采集过来,将`IP`与`PORT`组合成`requests`需要的代理 ...

  5. 建立爬虫代理IP池

    单线程构建爬虫代理IP池 #!/usr/bin/python3.5 # -*- coding:utf-8 -*- import time import tempfile from lxml impor ...

  6. 写了个爬虫代理ip的脚本给大家使用

    写了个爬虫代理ip的脚本给大家使用 一.代码 import requests from lxml.html import etree url = 'http://www.kuaidaili.com/f ...

  7. 介绍一种 Python 更方便的爬虫代理池实现方案

    现在搞爬虫,代理是不可或缺的资源 很多人学习python,不知道从何学起.很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手.很多已经做案例的人,却不知道如何去学习更加高深的知识.那 ...

  8. cralwer_爬虫代理中心的简要设计

    代理中心: 简单讲: 精细化控制限制资源的使用,保证有限资源的充分利用及有效性.支持动态增减,实时更新. 需求 rest api提供请求输入与输出 客户端使用代理心跳接收,用于更新代理的使用次数,被占 ...

  9. crawler_爬虫代理方案

    爬虫往往会遇到各种限制ip问题 理方案(爬虫) IP代理软件 优势标记: 是 自动切换IP 基本无开发成本标记: 黄色, 考虑切换IP时 ,网络瞬时异常 IP池,由商家维护 劣势标记: 非 部署 每个 ...

  10. 可能是一份没什么用的爬虫代理IP指南

    写在前面 做爬虫的小伙伴一般都绕不过代理IP这个问题. PS:如果还没遇到被封IP的场景,要不就是你量太小人家懒得理你,要不就是人家压根不在乎... 爬虫用户自己是没有能力维护一系列的代理服务器和代理 ...

随机推荐

  1. 响应式布局css样式

    核心css /*图片列表样式*/ .img-list{ margin:-15px 0 0 -15px; *display:inline-block; } /*响应式布局*/ @media screen ...

  2. node.js初识02

    node.js相较于那些老的服务器语言,他的优势在于,节省了I/O的时间,主要的特点是单线程,非阻塞和事件驱动,其实三个说的是同一个事情,相较于多线程而言,单线程的特点是,使用的那一条线程的cpu的利 ...

  3. LeetCode111.二叉树的最小深度

    给定一个二叉树,找出其最小深度. 最小深度是从根节点到最近叶子节点的最短路径上的节点数量. 说明: 叶子节点是指没有子节点的节点. 示例: 给定二叉树 [3,9,20,null,null,15,7], ...

  4. SV通过DPI调用C

    Verilog与C之间进行程序交互,PLI(Programming Language Interface)经过了TF,ACC,VPI等模式. 使用PLI可以生成延时计算器,来连接和同步多个仿真器,并可 ...

  5. 5.无监督学习-DBSCAN聚类算法及应用

    DBSCAN方法及应用 1.DBSCAN密度聚类简介 DBSCAN 算法是一种基于密度的聚类算法: 1.聚类的时候不需要预先指定簇的个数 2.最终的簇的个数不确定DBSCAN算法将数据点分为三类: 1 ...

  6. maven build 的时候,卡死在Downloading metadata的解决方法

    [INFO] [INFO] ------------------------------------------------------------------------ [INFO] Buildi ...

  7. python range函数

    这个函数很简单,就不写例子了,看看语法,拿来即用 python range() 函数可创建一个整数列表,一般用在 for 循环中. 函数语法 range(start, stop[, step]) 参数 ...

  8. HDU 2176 取(m堆)石子游戏 （尼姆博奕）

    题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=2176 m堆石子,两人轮流取.只能在1堆中取.取完者胜.先取者负输出No.先取者胜输出Yes,然后输出怎 ...

  9. MyBatis中的if写法

    <if test="latn_id !=null and latn_id !='' and latn_id !='100'"> and latnid=#{latn_id ...

  10. web前端学习路线：HTML5教程之前端模块化开发

    1. 命名冲突 首先从一个简单的习惯开始. 由于以前一直做 JavaEE 开发的缘故,在 JavaScript 开发中,我已经习惯将项目中的一些通用功能抽象出来,形成一个个的独立函数,以便于实现代码复 ...