爬数据过多经常被封IP,该怎么办呢 ?进来看看我的方法

继续老套路,这两天我爬取了猪八戒上的一些数据 网址是:http://task.zbj.com/t-ppsj/p1s5.html,可能是由于爬取的数据量有点多吧,结果我的IP被封了,需要自己手动来验证解封ip,但这显然阻止了我爬取更多的数据了。

下面是我写的爬取猪八戒的被封IP的代码

# coding=utf-8

importrequests

fromlxmlimportetree

defgetUrl():

foriinrange(33):

url ='http://task.zbj.com/t-ppsj/p{}s5.html'.format(i+1)

spiderPage(url)

defspiderPage(url):

ifurlisNone:

returnNone

htmlText = requests.get(url).text

selector = etree.HTML(htmlText)

tds = selector.xpath('//*[@class="tab-switch tab-progress"]/table/tr')

try:

fortdintds:

price = td.xpath('./td/p/em/text()')

href = td.xpath('./td/p/a/@href')

title = td.xpath('./td/p/a/text()')

subTitle = td.xpath('./td/p/text()')

deadline = td.xpath('./td/span/text()')

price = price[0]iflen(price)>0else''# python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果

title = title[0]iflen(title)>0else''

href = href[0]iflen(href)>0else''

subTitle = subTitle[0]iflen(subTitle)>0else''

deadline = deadline[0]iflen(deadline)>0else''

printprice,title,href,subTitle,deadline

print'---------------------------------------------------------------------------------------'

spiderDetail(href)

except:

print'出错'

defspiderDetail(url):

ifurlisNone:

returnNone

try:

htmlText = requests.get(url).text

selector = etree.HTML(htmlText)

aboutHref = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/a/@href')

price = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/text()')

title = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/h2/text()')

contentDetail = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/div[1]/text()')

publishDate = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/p/text()')

aboutHref = aboutHref[0]iflen(aboutHref) >0else''# python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果

price = price[0]iflen(price) >0else''

title = title[0]iflen(title) >0else''

contentDetail = contentDetail[0]iflen(contentDetail) >0else''

publishDate = publishDate[0]iflen(publishDate) >0else''

printaboutHref,price,title,contentDetail,publishDate

except:

print'出错'

if'_main_':

getUrl()

我发现代码运行完后,后面有几页数据没有被爬取,我再也没有办法去访问猪八戒网站了,等过了一段时间才能去访问他们的网站,这就很尴尬了,我得防止被封IP

如何防止爬取数据的时候被网站封IP这里有一些套路.查了一些套路

1.修改请求头

之前的爬虫代码没有添加头部,这里我添加了头部,模拟成浏览器去访问网站

user_agent ='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

headers = {'User-Agent': user_agent}

htmlText = requests.get(url, headers=headers, proxies=proxies).text

2.采用代理IP

当自己的ip被网站封了之后,只能采用代理ip的方式进行爬取,所以每次爬取的时候尽量用代理ip来爬取,封了代理还有代理。

这里我引用了这个博客的一段代码来生成ip地址:http://blog.csdn.net/lammonpeter/article/details/52917264

生成代理ip,大家可以直接把这个代码拿去用

# coding=utf-8

# IP地址取自国内髙匿代理IP网站:http://www.xicidaili.com/nn/

# 仅仅爬取首页IP地址就足够一般使用

frombs4importBeautifulSoup

importrequests

importrandom

defget_ip_list(url, headers):

web_data = requests.get(url, headers=headers)

soup = BeautifulSoup(web_data.text,'lxml')

ips = soup.find_all('tr')

ip_list = []

foriinrange(1, len(ips)):

ip_info = ips[i]

tds = ip_info.find_all('td')

ip_list.append(tds[1].text +':'+ tds[2].text)

returnip_list

defget_random_ip(ip_list):

proxy_list = []

foripinip_list:

proxy_list.append('http://'+ ip)

proxy_ip = random.choice(proxy_list)

proxies = {'http': proxy_ip}

returnproxies

if__name__ =='__main__':

url ='http://www.xicidaili.com/nn/'

headers = {

'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'

}

ip_list = get_ip_list(url, headers=headers)

proxies = get_random_ip(ip_list)

print(proxies)

好了我用上面的代码给我生成了一批ip地址(有些ip地址可能无效,但只要不封我自己的ip就可以了,哈哈),然后我就可以在我的请求头部添加ip地址

** 给我们的请求添加代理ip**

proxies = {

'http':'http://124.72.109.183:8118',

'http':'http://49.85.1.79:31666'

}

user_agent ='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

headers = {'User-Agent': user_agent}

htmlText = requests.get(url, headers=headers, timeout=3, proxies=proxies).text

目前知道的就

最后完整代码如下:

# coding=utf-8

importrequests

importtime

fromlxmlimportetree

defgetUrl():

foriinrange(33):

url ='http://task.zbj.com/t-ppsj/p{}s5.html'.format(i+1)

spiderPage(url)

defspiderPage(url):

ifurlisNone:

returnNone

try:

proxies = {

'http':'http://221.202.248.52:80',

}

user_agent ='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400'

headers = {'User-Agent': user_agent}

htmlText = requests.get(url, headers=headers,proxies=proxies).text

selector = etree.HTML(htmlText)

tds = selector.xpath('//*[@class="tab-switch tab-progress"]/table/tr')

fortdintds:

price = td.xpath('./td/p/em/text()')

href = td.xpath('./td/p/a/@href')

title = td.xpath('./td/p/a/text()')

subTitle = td.xpath('./td/p/text()')

deadline = td.xpath('./td/span/text()')

price = price[0]iflen(price)>0else''# python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果

title = title[0]iflen(title)>0else''

href = href[0]iflen(href)>0else''

subTitle = subTitle[0]iflen(subTitle)>0else''

deadline = deadline[0]iflen(deadline)>0else''

printprice,title,href,subTitle,deadline

print'---------------------------------------------------------------------------------------'

spiderDetail(href)

exceptException,e:

print'出错',e.message

defspiderDetail(url):

ifurlisNone:

returnNone

try:

htmlText = requests.get(url).text

selector = etree.HTML(htmlText)

aboutHref = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/a/@href')

price = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/div/p[1]/text()')

title = selector.xpath('//*[@id="utopia_widget_10"]/div[1]/div/div/h2/text()')

contentDetail = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/div[1]/text()')

publishDate = selector.xpath('//*[@id="utopia_widget_10"]/div[2]/div/div[1]/p/text()')

aboutHref = aboutHref[0]iflen(aboutHref) >0else''# python的三目运算 :为真时的结果 if 判定条件 else 为假时的结果

price = price[0]iflen(price) >0else''

title = title[0]iflen(title) >0else''

contentDetail = contentDetail[0]iflen(contentDetail) >0else''

publishDate = publishDate[0]iflen(publishDate) >0else''

printaboutHref,price,title,contentDetail,publishDate

except:

print'出错'

if'_main_':

getUrl()

数据全部爬取出来了,且我的IP也没有被封。当然防止被封IP肯定不止这些了,这还需要进一步探索!


©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,529评论 5 475
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,015评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,409评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,385评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,387评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,466评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,880评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,528评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,727评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,528评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,602评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,302评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,873评论 3 306
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,890评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,132评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,777评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,310评论 2 342

推荐阅读更多精彩内容