Python爬虫-使用代理伪装IP

简介: 介绍代理,设置代理,使用代理伪装IP案例

前言

我们在做爬虫的过程中经常会遇到这样的情况,最初爬虫正常运行,正常抓取数据,一切看起来都是那么的美好,然而一杯茶的功夫可能就会出现错误,比如 403 Forbidden,这时候打开网页一看,可能会看到 “您的 IP 访问频率太高” 这样的提示,或者跳出一个验证码让我们输入,输入之后才可能解封,但是输入之后过一会儿就又这样了。

出现这样的现象的原因是网站采取了一些反爬虫的措施,比如服务器会检测某个 IP 在单位时间内的请求次数,如果超过了这个阈值,那么会直接拒绝服务,返回一些错误信息,这种情况可以称之为封 IP,于是乎就成功把我们的爬虫禁掉了。

既然服务器检测的是某个 IP 单位时间的请求次数,那么我们借助某种方式来伪装我们的 IP,让服务器识别不出是由我们本机发起的请求,不就可以成功防止封 IP 了吗?

所以这时候代理就派上用场了。本章会详细介绍代理的基本知识及各种代理的使用方式,包括代理的设置、代理池的维护、付费代理的使用、ADSL 拨号代理的搭建方法等内容,以帮助爬虫脱离封 IP 的 “苦海”。

代理的设置

前面我们介绍了多种请求库,如 Requests、Urllib、Selenium 等。我们接下来了解一下代理怎么使用,为后面了解代理池的使用打下基础。

下面我们来梳理一下这些库的代理的设置方法。

1. 获取代理

做测试之前,我们需要先获取一个可用代理。搜索引擎搜索 “代理” 关键字,就可以看到许多代理服务网站,网站上会有很多免费代理,比如西刺:http://www.xicidaili.com/。但是这些免费代理大多数情况下都是不好用的,所以比较靠谱的方法是购买付费代理。付费代理在很多网站上都有售卖,数量不用多,稳定可用即可,我们可以自行选购。

如果本机有相关代理软件的话,软件一般会在本机创建 HTTP 或 SOCKS 代理服务,本机直接使用此代理也可以。

在这里,我的本机安装了一部代理软件,它会在本地 9743 端口上创建 HTTP 代理服务,即代理为 127.0.0.1:9743,另外还会在 9742 端口创建 SOCKS 代理服务,即代理为 127.0.0.1:9742。我只要设置了这个代理,就可以成功将本机 IP 切换到代理软件连接的服务器的 IP 了。

本章下面的示例里,我使用上述代理来演示其设置方法,你也可以自行替换成自己的可用代理。设置代理后测试的网址是:http://httpbin.org/get,我们访问该网址可以得到请求的相关信息,其中 origin 字段就是客户端的 IP,我们可以根据它来判断代理是否设置成功,即是否成功伪装了 IP。

2. urllib

首先我们以最基础的 urllib 为例,来看一下代理的设置方法,代码如下:

from urllib.error import URLError

from urllib.request import ProxyHandler, build_opener


proxy = '127.0.0.1:9743'

proxy_handler = ProxyHandler({

   'http': 'http://' + proxy,

   'https': 'https://' + proxy

})

opener = build_opener(proxy_handler)

try:

   response = opener.open('http://httpbin.org/get')

   print(response.read().decode('utf-8'))

except URLError as e:

   print(e.reason)

运行结果如下:

{"args": {},

 "headers": {

   "Accept-Encoding": "identity",

   "Connection": "close",

   "Host": "httpbin.org",

   "User-Agent": "Python-urllib/3.6"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

这里我们需要借助 ProxyHandler 设置代理,参数是字典类型,键名为协议类型,键值是代理。注意,此处代理前面需要加上协议,即 http 或者 https。当请求的链接是 http 协议的时候,ProxyHandler 会调用 http 代理。当请求的链接是 https 协议的时候,会调用 https 代理。此处生效的代理是:http://127.0.0.1:9743

创建完 ProxyHandler 对象之后,我们需要利用 build_opener 方法传入该对象来创建一个 Opener,这样就相当于此 Opener 已经设置好代理了。接下来直接调用 Opener 对象的 open 方法,即可访问我们所想要的链接。

运行输出结果是一个 JSON,它有一个字段 origin,标明了客户端的 IP。验证一下,此处的 IP 确实为代理的 IP,并不是真实的 IP。这样我们就成功设置好代理,并可以隐藏真实 IP 了。

如果遇到需要认证的代理,我们可以用如下的方法设置:

from urllib.error import URLError

from urllib.request import ProxyHandler, build_opener


proxy = 'username:password@127.0.0.1:9743'

proxy_handler = ProxyHandler({

   'http': 'http://' + proxy,

   'https': 'https://' + proxy

})

opener = build_opener(proxy_handler)

try:

   response = opener.open('http://httpbin.org/get')

   print(response.read().decode('utf-8'))

except URLError as e:

   print(e.reason)

这里改变的只是 proxy 变量,只需要在代理前面加入代理认证的用户名密码即可,其中 username 就是用户名,password 为密码,例如 username 为 foo,密码为 bar,那么代理就是 foo:bar@127.0.0.1:9743。

如果代理是 SOCKS5 类型,那么可以用如下方式设置代理:

import socks

import socket

from urllib import request

from urllib.error import URLError


socks.set_default_proxy(socks.SOCKS5, '127.0.0.1', 9742)

socket.socket = socks.socksocket

try:

   response = request.urlopen('http://httpbin.org/get')

   print(response.read().decode('utf-8'))

except URLError as e:

   print(e.reason)

此处需要一个 socks 模块,可以通过如下命令安装:

pip3 install PySocks

本地我有一个 SOCKS5 代理,运行在 9742 端口,运行成功之后和上文 HTTP 代理输出结果是一样的:

{"args": {},

 "headers": {

   "Accept-Encoding": "identity",

   "Connection": "close",

   "Host": "httpbin.org",

   "User-Agent": "Python-urllib/3.6"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

结果的 origin 字段同样为代理的 IP。现在,代理设置成功。

3. requests

对于 requests 来说,代理设置更加简单,我们只需要传入 proxies 参数即可。

还是以上例中的代理为例,我们来看下 requests 的代理的设置:

import requests


proxy = '127.0.0.1:9743'

proxies = {

   'http': 'http://' + proxy,

   'https': 'https://' + proxy,

}

try:

   response = requests.get('http://httpbin.org/get', proxies=proxies)

   print(response.text)

except requests.exceptions.ConnectionError as e:

   print('Error', e.args)

运行结果:

{"args": {},

 "headers": {

   "Accept": "*/*",

   "Accept-Encoding": "gzip, deflate",

   "Connection": "close",

   "Host": "httpbin.org",

   "User-Agent": "python-requests/2.18.1"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

可以发现,requests 的代理设置比 urllib 简单很多,它只需要构造代理字典,然后通过 proxies 参数即可,而不需要重新构建 Opener。

其运行结果的 origin 也是代理的 IP,这证明代理已经设置成功。

如果代理需要认证,同样在代理的前面加上用户名密码即可,代理的写法就变成如下所示:

proxy = 'username:password@127.0.0.1:9743'

和 urllib 一样,这里只需要将 username 和 password 替换即可。

如果需要使用 SOCKS5 代理,则可以使用如下方式来设置:

import requests


proxy = '127.0.0.1:9742'

proxies = {

   'http': 'socks5://' + proxy,

   'https': 'socks5://' + proxy

}

try:

   response = requests.get('http://httpbin.org/get', proxies=proxies)

   print(response.text)

except requests.exceptions.ConnectionError as e:

   print('Error', e.args)

在这里,我们需要额外安装一个模块,这个模块叫作requests[socks],命令如下所示:

pip3 install "requests[socks]"

运行结果是完全相同的:

{"args": {},

 "headers": {

   "Accept": "*/*",

   "Accept-Encoding": "gzip, deflate",

   "Connection": "close",

   "Host": "httpbin.org",

   "User-Agent": "python-requests/2.18.1"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

另外,还有一种设置方式,和 urllib 中的方法相同,使用 socks 模块,也需要像上文一样安装 socks 库。这种设置方法如下所示:

import requests

import socks

import socket


socks.set_default_proxy(socks.SOCKS5, '127.0.0.1', 9742)

socket.socket = socks.socksocket

try:

   response = requests.get('http://httpbin.org/get')

   print(response.text)

except requests.exceptions.ConnectionError as e:

   print('Error', e.args)

使用这种方法也可以设置 SOCKS5 代理,运行结果完全相同。相比第一种方法,此方法是全局设置。我们可以在不同情况下选用不同的方法。

4. Selenium

Selenium 同样也可以设置代理,包括两种方式:一种是有界面浏览器,以 Chrome 为例;另一种是无界面浏览器,以 PhantomJS 为例。

Chrome

对于 Chrome 来说,用 Selenium 设置代理的方法也非常简单,设置方法如下所示:

from selenium import webdriver


proxy = '127.0.0.1:9743'

chrome_options = webdriver.ChromeOptions()

chrome_options.add_argument('--proxy-server=http://' + proxy)

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('http://httpbin.org/get')

在这里我们通过 ChromeOptions 来设置代理,在创建 Chrome 对象的时候用 chrome_options 参数传递即可。

运行代码之后便会弹出一个 Chrome 浏览器,我们访问目标链接之后输出结果如下所示:

{"args": {},

 "headers": {

   "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",

   "Accept-Encoding": "gzip, deflate",

   "Accept-Language": "zh-CN,zh;q=0.8",

   "Connection": "close",

   "Host": "httpbin.org",

   "Upgrade-Insecure-Requests": "1",

   "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

代理设置成功,origin 同样为代理 IP 的地址。

如果代理是认证代理,则设置方法相对比较麻烦,设置方法如下所示:

from selenium import webdriver

from selenium.webdriver.chrome.options import Options

import zipfile


ip = '127.0.0.1'

port = 9743

username = 'foo'

password = 'bar'


manifest_json = """{"version":"1.0.0","manifest_version": 2,"name":"Chrome Proxy","permissions": ["proxy","tabs","unlimitedStorage","storage","<all_urls>","webRequest","webRequestBlocking"],"background": {"scripts": ["background.js"]

   }

}

"""background_js ="""

var config = {

       mode: "fixed_servers",

       rules: {

         singleProxy: {

           scheme: "http",

           host: "%(ip) s",

           port: %(port) s

         }

       }

     }


chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});


function callbackFn(details) {

   return {

       authCredentials: {username: "%(username) s",

           password: "%(password) s"

       }

   }

}


chrome.webRequest.onAuthRequired.addListener(

           callbackFn,

           {urls: ["<all_urls>"]},

           ['blocking']

)

""" % {'ip': ip, 'port': port, 'username': username, 'password': password}


plugin_file = 'proxy_auth_plugin.zip'

with zipfile.ZipFile(plugin_file, 'w') as zp:

   zp.writestr("manifest.json", manifest_json)

   zp.writestr("background.js", background_js)

chrome_options = Options()

chrome_options.add_argument("--start-maximized")

chrome_options.add_extension(plugin_file)

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('http://httpbin.org/get')

这里需要在本地创建一个 manifest.json 配置文件和 background.js 脚本来设置认证代理。运行代码之后本地会生成一个 proxy_auth_plugin.zip 文件来保存当前配置。

运行结果和上例一致,origin 同样为代理 IP。

PhantomJS

对于 PhantomJS 来说,代理设置方法可以借助 service_args 参数,也就是命令行参数。代理设置方法如下所示:

from selenium import webdriver


service_args = [

   '--proxy=127.0.0.1:9743',

   '--proxy-type=http'

]

browser = webdriver.PhantomJS(service_args=service_args)

browser.get('http://httpbin.org/get')

print(browser.page_source)

我们只需要使用 service_args 参数,将命令行的一些参数定义为列表,在初始化的时候传递给 PhantomJS 对象即可。

运行结果如下所示:

{"args": {},

 "headers": {

   "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",

   "Accept-Encoding": "gzip, deflate",

   "Accept-Language": "zh-CN,en,*",

   "Connection": "close",

   "Host": "httpbin.org",

   "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X) AppleWebKit/538.1 (KHTML, like Gecko) PhantomJS/2.1.0 Safari/538.1"

 },

 "origin": "106.185.45.153",

 "url": "http://httpbin.org/get"

}

设置代理成功,运行结果的 origin 同样为代理的 IP。

如果需要认证,那么只需要再加入 --proxy-auth 选项即可,这样参数就改为下面这样:

service_args = [

   '--proxy=127.0.0.1:9743',

   '--proxy-type=http',

   '--proxy-auth=username:password'

]

将 username 和 password 替换为认证所需的用户名和密码即可。

5. 结语

本文介绍了前文所讲的请求库的代理设置方法,后面我们会使用这些方法来搭建代理池和爬取网站。

最后,如果本文对您有帮助,可以给我点一个赞支持一下!

同时,如果你喜欢本系列爬虫文章,可以点个关注跟着我一起学习更多爬虫知识。

相关文章
|
8天前
|
数据采集 JSON 数据挖掘
2024年利用Python查询IP地址_怎么查python文件中ip地址,2024年最新15个经典面试问题及答案英语
2024年利用Python查询IP地址_怎么查python文件中ip地址,2024年最新15个经典面试问题及答案英语
|
1天前
|
数据采集 XML 前端开发
Python爬虫:BeautifulSoup
这篇内容介绍了Python中BeautifulSoup库的安装和使用。首先,通过在命令行输入`pip install bs4`进行安装,或使用清华源加速。接着讲解BeautifulSoup的基本概念,它是一个用于数据解析的工具,便于处理HTML和XML文档。与正则表达式不同,BeautifulSoup提供更方便的方式来查找和操作标签及其属性。 文章详细阐述了BeautifulSoup的两个主要方法:`find`和`find_all`。`find`方法用于查找单个指定标签,可结合属性字典进行精确选择;`find_all`则返回所有匹配标签的列表。通过这些方法,可以方便地遍历和提取网页元素。
7 0
|
1天前
|
数据采集 前端开发 JavaScript
Python爬虫入门
网络爬虫是自动抓取网页数据的程序,通过URL获取网页源代码并用正则表达式提取所需信息。反爬机制是网站为防止爬取数据设置的障碍,而反反爬是对这些机制的对策。`robots.txt`文件规定了网站可爬取的数据。基础爬虫示例使用Python的`urllib.request`模块。HTTP协议涉及请求和响应,包括状态码、头部和主体。`Requests`模块是Python中常用的HTTP库,能方便地进行GET和POST请求。POST请求常用于隐式提交表单数据,适用于需要发送复杂数据的情况。
8 1
|
11天前
|
数据采集 数据挖掘 Python
使用Python构建简单网页爬虫的技术指南
【5月更文挑战第17天】使用Python构建简单网页爬虫的教程,涉及`requests`和`BeautifulSoup4`库。首先安装所需库,然后发送HTTP GET请求获取HTML内容。利用`BeautifulSoup`解析HTML,找到目标元素,如`&lt;h2&gt;`标签内的新闻标题。处理相对链接,将它们转化为绝对URL。添加异常处理以应对网络问题,同时遵循网站的`robots.txt`规则。此爬虫适用于数据分析和市场研究等场景。
|
13天前
|
数据采集 Web App开发 数据处理
Lua vs. Python:哪个更适合构建稳定可靠的长期运行爬虫?
Lua vs. Python:哪个更适合构建稳定可靠的长期运行爬虫?
|
13天前
|
数据采集 Web App开发 Java
Python 爬虫:Spring Boot 反爬虫的成功案例
Python 爬虫:Spring Boot 反爬虫的成功案例
|
13天前
|
数据采集 Python
使用Python实现简单的Web爬虫
本文将介绍如何使用Python编写一个简单的Web爬虫,用于抓取网页上的信息。通过分析目标网页的结构,利用Python中的requests和Beautiful Soup库,我们可以轻松地提取所需的数据,并将其保存到本地或进行进一步的分析和处理。无论是爬取新闻、股票数据,还是抓取图片等,本文都将为您提供一个简单而有效的解决方案。
|
13天前
|
数据采集 XML 数据处理
使用Python实现简单的Web爬虫
本文将介绍如何使用Python编写一个简单的Web爬虫,用于抓取网页内容并进行简单的数据处理。通过学习本文,读者将了解Web爬虫的基本原理和Python爬虫库的使用方法。
|
13天前
|
数据采集 存储 XML
如何利用Python构建高效的Web爬虫
本文将介绍如何使用Python语言以及相关的库和工具,构建一个高效的Web爬虫。通过深入讨论爬虫的基本原理、常用的爬虫框架以及优化技巧,读者将能够了解如何编写可靠、高效的爬虫程序,实现数据的快速获取和处理。
|
13天前
|
数据采集 Web App开发 数据可视化
Python爬虫技术与数据可视化:Numpy、pandas、Matplotlib的黄金组合
Python爬虫技术与数据可视化:Numpy、pandas、Matplotlib的黄金组合