python爬虫遇到IP被封的情况，怎么办?

代理服务的介绍：

• 我们在做爬虫的过程中经常最初爬虫都正常运行，正常爬取数据，一切看起来都是美好，然而一杯茶的功夫就出现了错误。
• 如：403 Forbidden错误，“您的IP访问频率太高”错误，或者跳出一个验证码让我们输入，之后解封，但过一会又出现类似情况。
• 出现这个现象的原因是因为网站采取了一些反爬中措施，如：服务器检测IP在单位时间内请求次数超过某个阀值导致，称为封IP。
• 为了解决此类问题，代理就派上了用场，如：代理软件、付费代理、ADSL拨号代理，以帮助爬虫脱离封IP的苦海。
• 测试HTTP请求及响应的网站:http://httpbin.org/
• GET地址 ：http://httpbin.org/get
• POST地址：http://httpbin.org/post
• httpbin这个网站能测试 HTTP 请求和响应的各种信息，比如 cookie、ip、headers 和登录验证等.
• 且支持 GET、POST 等多种方法，对 web 开发和测试很有帮助。
• 它用 Python + Flask 编写，是一个开源项目。开源地址：https://github.com/Runscope/httpbin
• 返回信息中origin的字段就是客户端的IP地址，即可判断是否成功伪装IP：

代理的设置：

① urllib的代理设置

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener
?
proxy = '127.0.0.1:8888'
#需要认证的代理
#proxy = 'username:password@127.0.0.1:8888'
?
#使用ProxyHandler设置代理
proxy_handler = ProxyHandler({
 'http': 'http://' + proxy,
 'https': 'https://' + proxy
})
#传入参数创建Opener对象
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)

② requests的代理设置

import requests
?
proxy = '127.0.0.1:8888'
#需要认证的代理
#proxy = 'username:password@127.0.0.1:8888'
?
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)

③ Selenium的代理使用

• 使用的是PhantomJS

from selenium import webdriver
?
service_args = [
 '--proxy=127.0.0.1:9743',
 '--proxy-type=http',
 #'--proxy-auth=username:password' #带认证代理
]
?
browser = webdriver.PhantomJS(service_args=service_args)
browser.get('http://httpbin.org/get')
print(browser.page_source)

• 使用的是Chrome

from selenium import webdriver
?
proxy = '127.0.0.1:9743'
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--proxy-server=http://' + proxy)
chrome = webdriver.Chrome(chrome_options=chrome_options)
chrome.get('http://httpbin.org/get')

④ 在Scrapy使用代理

#在Scrapy的Downloader Middleware中间件里
 ...
 def process_request(self, request, spider):
 request.meta['proxy'] = 'http://127.0.0.1:9743'
 ...

免费代理IP的使用

我们可以从互联网中获取免费的代理IP：如：西刺

import requests,random
?
#定义代理池
proxy_list = [
 '182.39.6.245:38634',
 '115.210.181.31:34301',
 '123.161.152.38:23201',
 '222.85.5.187:26675',
 '123.161.152.31:23127',
]
?
# 随机选择一个代理
proxy = random.choice(proxy_list)
?
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)

收费代理IP的使用

收费代理还是很多的如：

• 西刺
• 讯代理
• 快代理
• 大象代理

在requests中使用收费代理

import requests
?
# 从代理服务中获取一个代理IP
proxy = requests.get("http://tvp.daxiangdaili.com/ip/?tid=559775358931681&num=1").text
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)