python3网络爬虫入门,python爬虫使用代理ip

运行平台：Windows

Python版本：Python3.x

IDE：Sublime text3

3358 www.Sina.com/http://blog.csdn.net/c 406495762/article/details/60137956

转载请注明作者和出处：

因为讨厌被爬虫类程序访问，所以有检测连接对象的网站。 爬虫程序，也就是非人点击访问时，不会继续访问，所以为了程序正常运行，必须隐藏自己爬虫程序的身份。 此时，我们可以通过设置用户代理的来达到隐藏身份的目的。 用户代理的中文名字是用户代理，简称UA。

用户代理被容纳在头中，服务器通过查看头的用户代理来判断是谁在访问。 在Python中，如果不设置用户代理，程序将使用缺省参数。 然后，此用户代理将被标记为Python，并且如果服务器检查用户代理，则未设置用户代理的Python程序将无法正常访问网站。

在Python中，可以修改此用户代理以模拟浏览器访问。 其强度是毋庸置疑的。

一、为何要设置User Agent

二、常见的User Agent

Mozilla/5.0(Linux； 安卓4.1.1； nexus7build/jro 03 d (apple WebKit/535.19 ) khtml，like Gecko ) chrome/18.0.1025.166 safari/535.19 Mozilla/5.0 ) LLE 安卓4.0.4 en-GB； gt-I 9300 build/IMM 76 d (apple WebKit/534.30 ) khtml，like Gecko ) version/4.0 mobile safari/534.30 Mozilla/5.0 ) Linux u 安卓2.2 en-GB； gt-p 1000 build/fr oyo (apple WebKit/533.1 ) khtml，like Gecko ) version/4.0 mobile safari/533.1http://www.Sina.com /

Mozilla/5.0(windowsnt6.2； WOW64； rv:21.0 ) gecko/2010 01 01 Firefox/21.0 Mozilla/5.0 (Android； 移动； rv:14.0 ) gecko/14.0 Firefox/14.0http://www.Sina.com /

Mozilla/5.0(windowsnt6.2； WOW64 ) appleWebKit/537.36(khtml，like Gecko ) chrome/27.0.1453.94 safari/537.36 Mozilla/5.0 ) Linux； 安卓4.0.4 galaxynexusbuild/IMM 76 b (apple WebKit/535.19 ) khtml，like Gecko ) chrome/18.0.1025.133 mobile safafare

Mozilla/5.0(ipad； CPU OS5_0like ma cosx (apple WebKit/534.46 (khtml，like Gecko ) version/5.1 mobile/9a 334 safari/7534.48.3 Mozilla/CPU like Mac OS X； en )在appleWebKit/420.1(khtml，like Gecko ) version/3.0 mobile/3a 101 a safari/419.3上添加Andriod、Firefox、Google Chrome、chrome

1.Android

首先是urllib.request.Request (

如上图所示，可以在创建Request对象时传递headers参数。

因此，有两种方法可以设置用户代理。

创建Request对象时，请填写包含用户代理信息的头参数。 此标题参数必须是词典。

创建Request对象时不添加headers参数，并在创建完成后使用add_header ()的方法添加headers。

2.Firefox

    创建文件urllib_test09.py，使用上面提到的Android的第一个User Agent，在创建Request对象的时候传入headers参数，编写代码如下：

# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #以CSDN为例，CSDN不更改User Agent是无法访问的 url = 'http://www.csdn.net/' head = {} #写入User Agent信息 head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19' #创建Request对象 req = request.Request(url, headers=head) #传入创建好的Request对象 respOnse= request.urlopen(req) #读取响应信息并解码 html = response.read().decode('utf-8') #打印信息 print(html)

    运行结果如下：

方法二：

    创建文件urllib_test10.py，使用上面提到的Android的第一个User Agent，在创建Request对象时不传入headers参数，创建之后使用add_header()方法，添加headers，编写代码如下：

# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #以CSDN为例，CSDN不更改User Agent是无法访问的 url = 'http://www.csdn.net/' #创建Request对象 req = request.Request(url) #传入headers req.add_header('User-Agent', 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19') #传入创建好的Request对象 respOnse= request.urlopen(req) #读取响应信息并解码 html = response.read().decode('utf-8') #打印信息 print(html)

    运行结果和上一个方法是一样的。

四、IP代理的使用

1.为何使用IP代理

    User Agent已经设置好了，但是还应该考虑一个问题，程序的运行速度是很快的，如果我们利用一个爬虫程序在网站爬取东西，一个固定IP的访问频率就会很高，这不符合人为操作的标准，因为人操作不可能在几ms内，进行如此频繁的访问。所以一些网站会设置一个IP访问频率的阈值，如果一个IP访问频率超过这个阈值，说明这个不是人在访问，而是一个爬虫程序。

2.一般步骤说明

    一个很简单的解决办法就是设置延时，但是这显然不符合爬虫快速爬取信息的目的，所以另一种更好的方法就是使用IP代理。使用代理的步骤：

    (1)调用urlib.request.ProxyHandler()，proxies参数为一个字典。

    (2)创建Opener(类似于urlopen，这个代开方式是我们自己定制的)

    (3)安装Opener

    使用install_opener方法之后，会将程序默认的urlopen方法替换掉。也就是说，如果使用install_opener之后，在该文件中，再次调用urlopen会使用自己创建好的opener。如果不想替换掉，只是想临时使用一下，可以使用opener.open(url)，这样就不会对程序默认的urlopen有影响。

3.代理IP选取

    在写代码之前，先在代理IP网站选好一个IP地址，推荐西刺代理IP。

    URL：http://www.xicidaili.com/

    注意：当然也可以写个正则表达式从网站直接爬取IP，但是要记住不要太频繁爬取，加个延时什么的，太频繁给服务器带来压力了，服务器会直接把你block，不让你访问的，我就被封了两天。

    从西刺网站选出信号好的IP，我的选择如下：(106.46.136.112:808)

    编写代码访问http://www.whatismyip.com.tw/，该网站是测试自己IP为多少的网址，服务器会返回访问者的IP。

4.代码实例

    创建文件urllib_test11.py，编写代码如下：

# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__": #访问网址 url = 'http://www.whatismyip.com.tw/' #这是代理IP proxy = {'http':'106.46.136.112:808'} #创建ProxyHandler proxy_support = request.ProxyHandler(proxy) #创建Opener opener = request.build_opener(proxy_support) #添加User Angent opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36')] #安装OPener request.install_opener(opener) #使用自己安装好的Opener respOnse= request.urlopen(url) #读取相应信息并解码 html = response.read().decode("utf-8") #打印信息 print(html)

    运行结果如下：

    从上图可以看出，访问的IP已经伪装成了106.46.136.112。