Python学习笔记(15) 网络爬虫使用proxy实现自动换IP防封锁

如果网络爬虫访问某个网站太频繁，很可能被目标网站封锁，虽然网站封锁有很多种，需要不同的应对方案，但是，最常用的缓解封锁的方案是换IP，关于其他封锁应对方案大家可以跟帖讨论。

换IP也有两个方案：

1. 利用VPN客户端软件自动换IP：这个方案是在操作系统级的，所以不用对网络爬虫软件做设置，IP换了，爬虫软件自然会用新IP
2. 利用proxy服务定时获得新的proxy服务网址：这个方案是在爬虫控制下的，所以，可以选择合适的时机连接某个proxy，通过proxy访问目标网站，目标网站就把访问的源头当成了这个proxy，通过定时换proxy，目标网站会认为是不同的源头来的，降低被封锁的风险。由于这个方案是在爬虫控制下的，所以能避免时机不对的问题，比如，正在下载文件的时候换IP就会打断下载过程，而在爬虫控制下，会选择合适的时机。

本文讲解方案2，由于各个proxy服务的api各不相同，每接入一种proxy服务，都要修改网络爬虫软件，本文只讲解接入芝麻http的方法，如果您需要接入其他proxy服务，需要与集搜客技术支持联系。

1.  获得提取IP的网址

在芝麻http网站上，顶部菜单有“获取API”，进入到获取API页面，假定购买了按次提取的服务，如下图进行设置，以获得提取IP的网址。

注意提取数量：选择1个，因为爬虫每次只用一个。其他选择看上图，通过这个API接口，会返回提取到的IP和端口号，集搜客网络爬虫需要解析这个返回结果，只支持JSON格式的返回结果，所以，要像上图那样设置。

点击“生成API链接”，就能得到一个网址，这个网址是要配置到集搜客网络爬虫中的，爬虫会每隔一定时间通过这个网址提取一个新IP地址。

2.  实验提取IP

点击“生成API链接”后，能看到这个页面内容

点击复制链接，可以把这个网址拷贝下来，到网络爬虫软件那里用上这个网址做proxy配置（下面的章节讲解）。

点击“打开链接”，我们查看一下API返回的结果，如下图：

3.  配置爬虫软件

经过上面的步骤，获得了4项内容，需要配置到爬虫软件中：

• 提取IP的网址
• 返回结果中的ip字段的名字
• 返回结果中的端口号字段的名字
• 返回结果中的超时时间字段的名字：就是需要重新换IP的时间

如上图，选择DS打数机菜单 高级->设置代理，可以看到配置proxy服务器的窗口，点击添加按钮，输入上述4项内容。

点击“取IP”按钮，弹出窗口中如果看到返回的json格式的结果中含有ip地址和端口号等，表示已经能正确提取IP了。

4.  启用提取IP

缺省是不启用的，而且也可以随时关闭，毕竟每次提取IP是需要花钱的。启用的方法如下图，勾选“在用”，就能把这条proxy服务器设置使用起来。在同一台计算机上，只能启用一个，否则就冲突了。

如果启用了，就可以在集搜客浏览器上测试一下效果。在集搜客浏览器上访问百度，并且搜索IP地址，看看百度显示的IP地址是什么，如下图：

上图能看出来，得到的地址显然不是自己所在地的地址，看来配置的生效了。

5.  诊断

如果IP提取成功，就会在集搜客浏览器中进行配置，这个配置是全局的，所有DS打数机窗口和浏览器窗口都会使用这个IP，这个配置可以在浏览器中通过输入网址about:config看到，如下图

输入搜索条件：proxy，看到ftp, http, socks, ssl等都使用了提取到的IP和端口号。

如果能看到这些设置，依然不能访问互联网，比如，连百度都访问不了，那么你所在的网络可能禁止了proxy通信协议。那么只有采用本文开头说的方案1了。