引言
最近在學習python，先說一下我學Python得原因，一個是因為它足夠好用，完成同樣的功能，代碼量會比其他語言少很多，有大量的豐富的庫可以使用，基本上前期根本不需要自己造什么輪子。第二個是因為目前他很火，網上各種資料都比較豐富，且質量尚可。接下來不如正題
在學習Python爬蟲的時候，經常會遇見所要爬取的網站采取了反爬取技術導致爬取失敗。高強度、高效率地爬取網頁信息常常會給網站服務器帶來巨大壓力，所以同一個IP反復爬取同一個網頁，就很可能被封，這里講述一個爬蟲技巧，設置代理IP
為什么需要代理
提到python，雖然他能干的事情很多，但是我們首先想起的一般都是爬蟲。爬蟲的作用是通過抓取網頁，分析并獲得網頁中的內容。像php這類語言也是可以用curl來達到爬蟲的效果，不過論爬蟲庫的數量和易用性就沒辦法和python相比了。
對網絡知識有了解的朋友應該知道，很多網站都有反爬蟲的策略，或者是針對同一ip地址頻繁請求會拒絕服務，我在剛開始寫一些東西的時候就經常因為訪問的頻率太頻繁而被禁。所以說僅用自己的ip地址進行爬取是有一定的局限性的。而代理就可以解決這個問題。
代理是什么
作為一個程序員我覺得有必要了解一些基本的網絡知識，比如說網絡代理。
我不想從哪里復制粘貼一段介紹過來，因為我覺得那樣很low，我說說我理解的網絡代理。
如果你不了解代理，你應該知道代購吧，比如你想買一個東西，卻不想自己跑去買，可以找一個代理幫你去買。類似的，網絡代理也是在你和目的網絡之間的一個中轉方。類似如下圖
Alice->agency(代理): I want to get sth from Bob
agency(代理)->Bob: give me sth
Note right of Bob: Bob thinks
Bob-->agency(代理): there is sth!
agency(代理)-->Alice: bob give you sth
這里有一個問題是，普通代理是比較好檢測出來的，有些網站不允許使用代理訪問。這時候可以使用高匿代理可以解決這個問題。關于代理不多說了，有興趣的可以自己去了解。
從哪里獲取代理
這問題就簡單了，直接百度搜索網絡代理可以搜索到很多免費的，免費的一般不太穩定，應付日常需求應該沒問題。如果需要穩定代理還是老老實實的花錢買付費的好一些，不要因小失大。
比如網上就經常推薦的代理
西祠代理:http://www.xicidaili.com/nn/
本文用的快代理：https://www.kuaidaili.com/
西祠我一開始也用了，后來因為頻繁訪問被禁用過一次，幾天后才解禁，在這期間我換成了快代理并去重寫了規則每小時獲取一次代理。
代碼
本文用的python版本為3.6.5, 如果使用2.7版本的代碼需要微調
User-Agent
用來模擬不同的瀏覽器，直接復制就可以了，我的文件名為user_agents.py
#!/usr/bin/python# -*- coding:utf-8 -*-'''Created on 2018-04-27@author: Vinter_he'''user_agents = [ 'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11', 'Opera/9.25 (Windows NT 5.1; U; en)', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)', 'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12', 'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9' "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"]獲取代理代碼#!/usr/bin/python# -*- coding:utf-8 -*-'''
獲取快代理ip 獲取到的為https://...格式
'''from lxml import etreeimport sys ,user_agents ,random ,requests ,timeclass geKuaidailiIp: __instance = None #使用單例模式 def __new__(cls): if cls.__instance == None: cls.__instance = object.__new__(cls) cls.init(cls) return cls.__instance def init(self): print('初始化') self.proxieList = [] self.lastTime = time.time() - 3601 self.agencyUrl = 'https://www.kuaidaili.com/free/' self.userAgents = user_agents.user_agents # 獲取user-agent def getUserAgent(self): userAgent = random.choice(self.userAgents) return { 'User-Agent': userAgent } def getHtml(self,url): response = requests.get(url = url ,headers = self.getUserAgent(),timeout = 10).text # sys.exit() html = etree.HTML(response) return html #取一頁的分析代理ip def parseHtmlToGetIpList(self,url): #獲取代理ip地址 只取前五頁 html = self.getHtml(url) ip = html.xpath('//tr/td[@data-title = "IP"]') port = html.xpath('//tr/td[@data-title = "PORT"]') type = html.xpath('//tr/td[@data-title = "類型"]') return type, ip, port # 取五頁數據并進行拼接成一個list def getProxies(self): # 1小時獲取一次代理 否則會被禁 if time.time() - self.lastTime > 60*60: self.proxieList =[] self.lastTime = time.time() #只取前五頁，因為后面的失效的會比較多，看自己需要 for i in range(5): url = self.agencyUrl+'inha/'+str(i+1)+"/" type,ip,port = self.parseHtmlToGetIpList(url) count = len(port) for i in range(count): self.proxieList.append(type[i].text+"://"+ip[i].text+":"+port[i].text) time.sleep(1) print('獲取代理') return self.proxieList def getRandomAgencyIp(self): self.getProxies() ip = random.choice(self.proxieList) return ip#初始化代理 用來進行測試用# agency = geKuaidailiIp()# while True:## print(agency.getRandomAgencyIp())# time.sleep(random.randint(4,10))為什么使用單例模式
如果你可以保證自己只創建一個代理對象的話，其實并不是必須使用單例模式。因為很多朋友可能會把創建對象的代碼寫在循環中，導致頻繁的獲取代理而導致自己的ip被代理方禁了。單例模式保證在一次執行腳本過程中只有一個對象。如果對象已經創建，則直接返回已經創建的對象，從而控制不會頻繁的訪問快代理的頁面。代碼中是一小時一次。
題外話
其實早在七八年前上學期間我就接觸過python，那時候python沒有現在那么火，我還是在查怎么成為一名黑客的時候查到的這是一個必修課。然而當時還是比較貪玩的，學習資料也很匱乏。所以不就久放棄了?，F在在人工智能和大數據的帶動下，前幾天看統計，python已經成了排名第一的腳本語言（php是世界上最好的語言，哥哥們別噴我），所以我幾個月前開始每天抽一點業余時間學習python。幸運的是我有三門語言基礎，學習起來還算比較輕松。如果你也是一名程序員，并且有精力也希望你能在業余時間做點什么學點什么來提高自己，與大家共勉。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網的支持。
新聞熱點
疑難解答
