如何解决爬虫被封的问题

如果你在爬虫过程中有遇到“您的请求太过频繁，请稍后再试”，或者说代码完全正确，可是爬虫过程中突然就访问不了，那么恭喜你，你的爬虫被对方识破了，轻则给予友好提示警告，严重的可能会对你的ip进行封禁，所以代理ip那就尤为重要了。今天我们就来谈一下代理IP，去解决爬虫被封的问题。

网上有许多代理ip，免费的、付费的。大多数公司爬虫会买这些专业版，对于普通人来说，免费的基本满足我们需要了，不过免费有一个弊端，时效性不强，不稳定，所以我们就需要对采集的ip进行一个简单的验证。

1.目标采集

本文主要针对西刺代理，这个网站很早之前用过，不过那个时候它还提供免费的api，现在api暂不提供了，我们就写个简单的爬虫去采集。

打开西刺代理，有几个页面，果断选择高匿代理。

Chrome浏览器右键检查查看network，不难发现，每个ip地址都在td标签中，对于我们来说就简单许多了，初步的想法就是获取所有的ip，然后校验可用性，不可用就剔除。

定义匹配规则

import reip_compile = re.compile(r'(d+.d+.d+.d+)')  # 匹配IPport_compile = re.compile(r'(d+)')  # 匹配端口

2.校验 这里我使用淘宝ip地址库检验可用性

2.1、关于淘宝IP地址库

目前提供的服务包括：1. 根据用户提供的IP地址，快速查询出该IP地址所在的地理信息和地理相关的信息，包括国家、省、市和运营商。2. 用户可以根据自己所在的位置和使用的IP地址更新我们的服务内容。我们的优势：1. 提供国家、省、市、县、运营商全方位信息，信息维度广，格式规范。2. 提供完善的统计分析报表，省准确度超过99.8%，市准确度超过96.8%，数据质量有保障。

2.2、接口说明

请求接口（GET）：http://ip.taobao.com/service/getIpInfo.php?ip=[ip地址字符串]例：http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44

响应信息：（json格式的）国家 、省（自治区或直辖市）、市（县）、运营商

返回数据格式：

{"code":0,"data":{"ip":"210.75.225.254","country":"u4e2du56fd","area":"u534eu5317","region":"u5317u4eacu5e02","city":"u5317u4eacu5e02","county":"","isp":"u7535u4fe1","country_id":"86","area_id":"100000","region_id":"110000","city_id":"110000","county_id":"-1","isp_id":"100017"}}

其中code的值的含义为，0：成功，1：失败。

注意：为了保障服务正常运行，每个用户的访问频率需小于10qps。我们先通过浏览器测试一下

输入地址http://ip.taobao.com/service/getIpInfo2.php?ip=111.177.181.44

再次输入一个地址http://ip.taobao.com/service/getIpInfo2.php?ip=112.85.168.98

代码操作

import requestscheck_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="api = check_api + iptry:    response = requests.get(url=api, headers=api_headers, timeout=2)    print("ip：%s 可用" % ip)except Exception as e:    print("此ip %s 已失效：%s" % (ip, e))

3.代码

代码中加入了异常处理，其实自己手写的demo写不写异常处理都可以，但是为了方便其他人调试，建议在可能出现异常的地方加入异常处理。

import requestsimport reimport randomfrom bs4 import BeautifulSoupua_list = [     "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36",     "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36",     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",     "Mozilla / 5.0(Windows NT 6.1;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 45.0.2454.101Safari / 537.36"     ]def ip_parse_xici(page):""":param  page: 采集的页数 :return:"""     ip_list = []     for pg in range(1, int(page)):         url = 'http://www.xicidaili.com/nn/' + str(pg)         user_agent = random.choice(ua_list)         my_headers = {             'Accept': 'text/html, application/xhtml+xml, application/xml;',             'Accept-Encoding': 'gzip, deflate, sdch',             'Accept-Language': 'zh-CN,zh;q=0.8',             'Referer': 'http: // www.xicidaili.com/nn',             'User-Agent': user_agent         }         try:             r = requests.get(url, headers=my_headers)             soup = BeautifulSoup(r.text, 'html.parser')         except requests.exceptions.ConnectionError:             print('ConnectionError')         else:             data = soup.find_all('td')             # 定义IP和端口Pattern规则             ip_compile = re.compile(r'(d+.d+.d+.d+)')# 匹配IP             port_compile = re.compile(r'(d+)')# 匹配端口             ips = re.findall(ip_compile, str(data))# 获取所有IP             ports = re.findall(port_compile, str(data))# 获取所有端口             check_api = "http://ip.taobao.com/service/getIpInfo2.php?ip="             for i in range(len(ips)):                 if i < len(ips):                     ip = ips[i]                     api = check_api + ip                     api_headers = {                         'User-Agent': user_agent                     }                     try:                         response = requests.get(url=api, headers=api_headers, timeout=2)                         print("ip：%s 可用" % ip)                     except Exception as e:                         print("此ip %s 已失效：%s" % (ip, e))                         del ips[i]                         del ports[i]             ips_usable = ips             ip_list += [':'.join(n) for n in zip(ips_usable, ports)]  # 列表生成式             print('第{}页ip采集完成'.format(pg))     print(ip_list)if __name__ == '__main__':     xici_pg = input("请输入需要采集的页数：")     ip_parse_xici(page=xici_pg)

运行代码：

日志

4.为你的爬虫加入代理ip

建议大家可以把采集的ip存入数据库，这样每次爬虫的时候直接调用即可，顺便提一下代码中怎么加入代理ip。

import requestsurl = 'www.baidu.com'headers = {     "User-Agent": "Mozilla/5.0 (Macintosh;  Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML,  like Gecko) Chrome/72.0.3626.119 Safari/537.36",}proxies = {     "http": "http://111.177.181.44:9999",     # "https": "https://111.177.181.44:9999", } res = requests.get(url=url, headers=headers, proxies=proxies)

好了，妈妈再也不担心我爬虫被封了，代码可从文中复制粘贴。