一.了解代理
1 使用代理ip的目的
让服务器以为不是同一个客户端在请求
防止我们的真实地址被泄露,防止被追究
2 使用代理的过程
通过上图可以看出:
正向代理:对于浏览器知道服务器的真实地址,例如VPN
反向代理:浏览器不知道服务器的真实地址,例如nginx
是否知道服务器的真实地址是正向代理和反向代理的主要区别
4 代理的使用
用法: requests.get(“http://www.baidu.com”, proxies = proxies)
proxies的形式:字典
例如:
proxies = {
“http”: “http://12.34.56.79:9527”,
“https”: “https://12.34.56.79:9527”,
}
5 代理IP的分类
根据代理ip的匿名程度,代理IP可以分为下面四类:
透明代理(Transparent Proxy):透明代理虽然可以直接“隐藏”你的IP地址,但是还是可以查到你是谁。
匿名代理(Anonymous Proxy):匿名代理比透明代理进步了一点:别人只能知道你用了代理,无法知道你是谁。
混淆代理(Distorting Proxies):与匿名代理相同,如果使用了混淆代理,别人还是能知道你在用代理,但是会得到一个假的IP地址,伪装的更逼真
高匿代理(Elite proxy或High Anonymity Proxy):可以看出来,高匿代理让别人根本无法发现你是在用代理,所以是最好的选择。
在使用的使用,毫无疑问使用高匿代理效果最好
从使用的协议:代理ip可以分为http代理,https代理,socket代理等,使用的时候需要根据抓取网站的协议来选择
6 代理IP使用的注意点
反反爬
使用代理ip是非常必要的一种反反爬的方式,但是即使使用了代理ip,对方服务器任然会有很多的方式来检测我们是否是一个爬虫
比如:
一段时间内,检测IP访问的频率,访问太多频繁会屏蔽
检查Cookie,User-Agent,Referer等header参数,若没有则屏蔽
服务方购买所有代理提供商,加入到反爬虫数据库里,若检测是代理则屏蔽
所以更好的方式是购买质量更高的代理组装自己的代理IP池,同时在使用的时候使用随机的方式进行选择使用,不要每次都用一个代理ip
代理ip池的更新
购买的代理ip很多时候大部分(超过60%)可能都没办法使用,这个时候就需要通过程序去检测哪些可用,把不能用的删除掉。对应的实现方式在我们学习了超时参数的使用之后大家会了解
二:代理的使用
- 获取页面源码: urllib , requests, selenium
2.解析源码: 正则, beautifulsoup4, lxml, pyquery, selenium.
import urllib.request import requests from fake_useragent import UserAgent from selenium import webdriver # urllib代理使用情况 # 不使用代理情况 # res = urllib.request.urlopen('http://httpbin.org/get') res = urllib.request.urlopen('http://httpbin.org/user-agent') print(res.read().decode('utf-8')) # 解决头部headers中user-agent还有代理的问题 ua = UserAgent() headers = { 'User-Agent': ua.random } url='http://httpbin.org/get' req = urllib.request.Request(headers=headers, url=url) res = urllib.request.urlopen(req) print(res.read().decode('utf-8')) # 使用情况 proxy = urllib.request.ProxyHandler({ 'http': 'http://101.132.149.193:8080', 'https': 'https://101.132.149.193:8080' }) opener = urllib.request.build_opener(proxy) ua = UserAgent() # 设置头部中的User-Agent参数 opener.addheaders = [ ('User-Agent',ua.random) ] res = opener.open('http://httpbin.org/get') print(res.read().decode('utf-8')) # requests的使用情况 # 1.不使用代理 # 默认User-Agent为python-requests/2.2xxx res = requests.get('http://httpbin.org/get') print(res.text) # 2.使用代理 ua = UserAgent() # 设置头部中的User-Agent参数 headers = { 'User-Agent': ua.random } proxies = { 'http': 'http://101.132.149.193:8080', 'https': 'https://101.132.149.193:8080' } res = requests.get(url='http://httpbin.org/get', headers = headers, proxies = proxies) print(res.text) # seleniium的代理使用 options = webdriver.ChromeOptions() options.add_argument('--proxy-server=http://101.132.149.193:8080') browser = webdriver.Chrome(chrome_options=options) browser.get('http://httpbin.org/get')
赞助我为您提供更好的技术支持。
支付宝打赏
微信钱包打赏
赏