python爬取数据中的headers和代理IP问题

爬虫的主要爬取方式之一是聚焦爬虫，也就是说，爬取某一个特定网站或者具有特定内容的网站，而一般比较大的有价值的网站都会有反爬策略，其中常见的反爬策略是网站根据来访者的身份判定是否予以放行。

对来访者身份的判定一般基于headers里的user-Agent值，每一种浏览器访问网站的user-Agent都是不同的，因此，爬虫需要伪装成浏览器，并且在爬取的过程中自动切换伪装，从而防止网站的封杀。可以通过一些爬虫库调用随机返回一个headers(User-Agent)

代码语言：javascript复制

from fake_useragent import UserAgent   # 下载：pip install fake-useragent
import requests

ua = UserAgent()        # 实例化，需要联网但是网站不太稳定-可能耗时会长一些
print(ua.random)  # 随机产生
headers = {
    'User-Agent': ua.random    # 伪装
    }

# 请求
if __name__ == '__main__':
    url = 'https://www.baidu.com/'
    response = requests.get(url, headers=headers ,proxies={"http":"117.136.27.43"})
    print(response.status_code)

还有就是访问IP的判别，在进行Python爬虫程序开发时，如果频繁地访问同一网站的情况下，网站服务器可能会把该IP地址列入黑名单，限制其访问权限。此时，使用IP代理技术可以有效避免这种限制，保证爬虫程序的稳定性。使用IP代理技术还有其他的优点，比如增强隐私保护、提高数据访问速度、降低目标网站的压力等等。总之，IP代理技术已经成为了Python爬虫程序中不可或缺的一部分。

Python提供了丰富的第三方库，可以帮助我们实现IP代理功能。其中最常用的是requests库和urllib库。以下是使用requests库实现IP代理的示例代码：

代码语言：javascript复制

    #! -*- encoding:utf-8 -*-

    import requests
    import random

    # 要访问的目标页面
    targetUrl = "http://httpbin.org/ip"

    # 要访问的目标HTTPS页面
    # targetUrl = "https://httpbin.org/ip"

    # 代理服务器(产品官网 www.16yun.cn)
    proxyHost = "t.16yun.cn"
    proxyPort = "31111"

    # 代理验证信息
    proxyUser = "username"
    proxyPass = "password"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
        "host" : proxyHost,
        "port" : proxyPort,
        "user" : proxyUser,
        "pass" : proxyPass,
    }

    # 设置 http和https访问都是用HTTP代理
    proxies = {
        "http"  : proxyMeta,
        "https" : proxyMeta,
    }


    #  设置IP切换头
    tunnel = random.randint(1,10000)
    headers = {"Proxy-Tunnel": str(tunnel)}



    resp = requests.get(targetUrl, proxies=proxies, headers=headers)

    print resp.status_code
    print resp.text

python python爬虫

0 人点赞