爬虫学习打卡4——Proxy(代理)的设置

写在前面的话:每一个实例的代码都会附上相应的代码片或者图片,保证代码完整展示在博客中。最重要的是保证例程的完整性!!!方便自己也方便他人~欢迎大家交流讨论~

环境:Anaconda3(python3.5)

爬虫的时候默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,这样就不怕爬取大量数据的时候突然被封啦。
本文IP来自国内高匿免费HTTP代理IP__第1页国内高匿 http://www.xicidaili.com/nn/
这一篇就主要讲讲怎么设置Proxy,上代码!

from bs4 import BeautifulSoup
import requests
import random

def get_ip_list(url, headers):#得到该页面的所有IP
    web_data = requests.get(url, headers=headers)#得到网页响应web_data
    soup = BeautifulSoup(web_data.text, 'lxml')#解析网页
    ips = soup.find_all('tr')
    ip_list = []
    for i in range(1, len(ips)):
        ip_info = ips[i]
        tds = ip_info.find_all('td')
        httptype=str.lower(tds[5].text)#把类型换成小写
        ip_list.append(httptype+'://'+tds[1].text + ':' + tds[2].text)
    return ip_list
#从众多的IP中随机选一个出来使用
def get_random_ip(ip_list):
    proxy_ip = random.choice(ip_list)
    return proxy_ip

if __name__ == '__main__':
    url = 'http://www.xicidaili.com/nn/'
    #给请求指定一个请求头来模拟浏览器
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
    ip_list = get_ip_list(url, headers=headers)#调用get_ip_list函数得到IP列表
    proxies = get_random_ip(ip_list)#调用函数get_random_ip从IP列表中随机取用
    print(proxies)

get_ip_list函数的执行效果是这样的:
爬虫学习打卡4——Proxy(代理)的设置_第1张图片
加上get_random_ip函数后上述整个代码片的执行效果是这样的:
这里写图片描述
然后!把你得到的IP加进请求,就可以啦

proxies = {'http': 'http://114.97.184.251:808',
            'https': 'https://119.135.85.253:808' }
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
headers = {'User-Agent': user_agent}
htmlText = requests.get(url, headers=headers, timeout=3, proxies=proxies).text

你可能感兴趣的:(爬虫)