python学习笔记之爬虫(五) 进程、线程、协程 实战 丨【生长吧!Python】(Python爬虫笔记)
1206
2022-05-30
大家好,我是丁小杰!
时间过得真快,一眨眼就到了元宵节,大家记得吃元宵哦~
不知道大家在写爬虫时是否遇到过这样的情况,测试时爬虫可以正常工作,但运行一段时间,就会发现报错或是没有数据返回,网页可能会提示“IP访问频繁”。这就说明网站对IP方面是有反爬措施的(IP一定时间内的请求次数及速度)。如果超过了某个阈值,就会直接拒绝服务,也就是经常说的“封IP”。
这种情况下,就到了代理IP出场了。代理实际就是代理服务器,它的工作原理其实很简单,在我们正常请求一个网站时,是直接发送请求给Web服务器,Web服务器把响应数据传给我们。而用了代理IP,就像是在本机和Web服务器之间搭建了一个“桥”,此时本机会先向代理服务器发出请求,再由代理服务器发送给Web服务器。响应数据的返回也是同样的道理,都需要代理服务器来中转。这样Web服务器就不容易识别出本机IP了。
但代理IP也有优劣之分,以隐匿性来分有3种:高匿代理,普匿代理,透明代理。
接下来就看看 Github 热门的开源项目 ProxyPool ,如何使用吧!
一个爬虫代理IP池,定时采集网上发布的免费代理并验证入库,定时检测代理的可用性,提供 API 和 CLI 两种使用方式。同时你也可以扩展代理源以增加代理池IP的质量和数量。
通过 git clone 下载代码
git clone git@github.com:jhao104/proxy_pool.git
下载对应zip文件
pip install -r requirements.txt
打开代码文件中的 setting.py ,根据自己的需求修改项目配置。
# 配置API服务 HOST = "0.0.0.0" # IP PORT = 5000 # 监听端口 # 配置数据库 DB_CONN = 'redis://:pwd@127.0.0.1:8888/0' # 无密码 DB_CONN = 'redis://:@127.0.0.1:8888/0' # proxy table name 表名(自己建的) TABLE_NAME = 'use_proxy' # 配置 ProxyFetcher PROXY_FETCHER = [ "freeProxy01", # 这里是启用的代理抓取方法名,所有fetch方法位于fetcher/proxyFetcher.py "freeProxy02", # .... ]
启动 redis 服务:redis-server.exe(可执行文件在 redis 安装路径下)。
1.启动调度程序
启动调度程序,在 Proxy_pool 项目路径下打开 cmd 输入:
python proxyPool.py schedule
读取数据库中的代理。
import redis r = redis.StrictRedis(host="127.0.0.1", port=6379, db=0) result = r.hgetall('use_proxy') result.keys()
2.启动webApi服务
python proxyPool.py server
启动web服务后, 默认配置下会开启 http://127.0.0.1:5010 的api接口服务:
在爬虫中使用
import requests def get_proxy(): return requests.get("http://127.0.0.1:5010/get/").json() def delete_proxy(proxy): requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy)) # your spider code def getHtml(): # .... retry_count = 5 proxy = get_proxy().get("proxy") while retry_count > 0: try: html = requests.get('http://www.example.com', proxies={"http": "http://{}".format(proxy)}) # 使用代理访问 return html except Exception: retry_count -= 1 # 删除代理池中代理 delete_proxy(proxy) return None
代理池中的代理毕竟是爬取的免费代理,IP质量那真是一言难尽,但也足够日常开发使用。
对于使用还有不懂的话,可以看一下完整文档。
项目地址:
Git GitHub
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。