python使用ip代理抓取网页

在抓取一个网站的信息时，如果我们进行频繁的访问，就很有可能被网站检测到而被屏蔽，解决这个问题的方法就是使用ip代理 。在我们接入因特网进行上网时，我们的电脑都会被分配一个全球唯一地ip地址供我们使用，而当我们频繁访问一个网站时，网站也正是因为发现同一个ip地址访问多次而进行屏蔽的，所以这时候如果我们使用多个ip地址进行随机地轮流访问，这样被网站检测的概率就很小了，这时候如果我们再使用多个不同的headers，这时候就有多个ip+主机的组合，访问时被发现的概率又进一步减小了。

关于代码中ip代理的使用，下面介绍一下：

步骤：

1、urllib2库中的ProxyHandler类，通过此类可以使用ip代理访问网页

proxy_support=urllib2.ProxyHandler({})，其中参数是一个字典{‘类型':'代理ip:端口号'}

2、定制、创建一个opener

opener=urllib2.build_opener(proxy_support)

3、（1）安装opener

urlib2.install_opener(opener)

（2）调用默认的opener

opener.open(url)

对于没有设置反爬虫机制的网站，我们只需要直接像上面引入ProxyHandler类进行处理，下面以访问csdn主页为例：

1. import urllib
2. url="http://www.csdn.net/"
3. for i in range(0,10000):
4. html=urllib.urlopen(url)
5. print html.info()
6. print i

当使用上述代码时，当循环到20时，就会出现下面的错误

Traceback (most recent call last):
  File "C:/Users/lenovo/PycharmProjects/untitled1/jt2/__init__.py", line 19, in <module>
    html=urllib.urlopen(url)
  File "C:\Python27\lib\urllib.py", line 87, in urlopen
    return opener.open(url)
  File "C:\Python27\lib\urllib.py", line 213, in open
    return getattr(self, name)(url)
  File "C:\Python27\lib\urllib.py", line 350, in open_http
    h.endheaders(data)
  File "C:\Python27\lib\httplib.py", line 997, in endheaders
    self._send_output(message_body)
  File "C:\Python27\lib\httplib.py", line 850, in _send_output
    self.send(msg)
  File "C:\Python27\lib\httplib.py", line 812, in send
    self.connect()
  File "C:\Python27\lib\httplib.py", line 793, in connect
    self.timeout, self.source_address)
  File "C:\Python27\lib\socket.py", line 571, in create_connection
    raise err
IOError: [Errno socket error] [Errno 10060]

这就是因为我们使用了计算机的单一ip进行频繁访问而被检测出来的。

下面是使用了ip代理的代码：

1. import urllib2
2. import random
3. def getHtml(url,proxies):
4. random_proxy = random.choice(proxies)
5. proxy_support = urllib2.ProxyHandler({"http":random_proxy})
6. opener = urllib2.build_opener(proxy_support)
7. urllib2.install_opener(opener)
8. html=urllib2.urlopen(url)
9. return html
10. url="http://www.csdn.net/"
11. proxies=["101.53.101.172:9999","171.117.93.229:8118","119.251.60.37:21387","58.246.194.70:8080"
12. "115.173.218.224:9797","110.77.0.70:80"]
13. for i in range(0,10000):
14. try:
15. html=getHtml(url,proxies)
16. print html.info()     #打印网页的头部信息，只是为了展示访问到了网页，可以自己修改成想显示的内容
17. print i
18. except:
19. print "出现故障"

这个代码我测试是在1096次时被检测到了，要知道我的列表中只有6个ip，如果我们增加ip的个数，那么被发现的概率是不是又会更低了。对于上面的例子中的ip代理，有可能在过了一段时间后便不能用了，这个需要自己到网上搜索最新的ip代理，进行替换。还有程序中的异常处理是为了使程序能够处理ip代码访问时出现问题的情况，因为有些ip代理在访问的时候会出现故障的，这样做了可以使程序更加健壮。

对于有反爬虫机制的网页，下面还是以访问csdn中的博客为例：

1. #coding:utf-8
2. import urllib2
3. import random
4. def get_html(url,headers,proxies):
5. random_userAget = random.choice(headers)
6. random_proxy = random.choice(proxies)
7. #下面是模拟浏览器进行访问
8. req = urllib2.Request(url)
9. req.add_header("User-Agent", random_userAget)
10. req.add_header("GET", url)
11. req.add_header("Host", "blog.csdn.net")
12. req.add_header("Referer", "http://blog.csdn.net/?&page=6")
13. #下面是使用ip代理进行访问
14. proxy_support = urllib2.ProxyHandler({"http":random_proxy})
15. opener = urllib2.build_opener(proxy_support)
16. urllib2.install_opener(opener)
17. html = urllib2.urlopen(req)
18. return html
19. url = "http://blog.csdn.net/?&page=3"
20. """
21. 使用多个主机中的user_agent信息组成一个列表，当然这里面的user_agent都是残缺的，大家使用时可以自己找
22. 身边的小伙伴借呦
23. """
24. user_agents = [
25. "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWe。。。hrome/45.0.2454.101 Safari/537.36",
26. "Mozilla / 5.0(Windows NT 6.1) AppleWebKit / 537.。。。。likeGecko) Chrome / 45.0.2454.101Safari/ 537.36",
27. "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit。。。。。Gecko) Chrome/50.0.2661.102 Safari/537.36",
28. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.3。。。。ML, like Gecko) Chrome/49.0.2623.112 Safari/537.36",
29. "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) 。。。WebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586",
30. "User-Agent: Mozilla/5.0 (Windows NT 10.0) AppleWebKi。。。。。36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586",
31. "Mozilla/5.0 (Windows NT 10.0; WOW64) Apple。。。。。KHTML, like Gecko) Chrome/50.0.2661.94 Safari/537.36"
32. ]
33. #网上的ip有可能是不能用的，需要多做尝试
34. myproxies=["220.189.249.80:80","124.248.32.43:80"]
35. html = get_html(url,user_agents,myproxies)
36. print html.read()

对于上面代码中的关于模拟浏览器的部分可以参照我的上一篇博客：http://blog.csdn.net/qq_29883591/article/details/52006624