python爬虫：爬取代理IP（requests+Beautiful Soup）教程

2016 年 7 月 24 日10:26:07 评论 17,971 views

在写python爬虫的时候，为防止对方发现爬虫IP和封停IP，那写爬虫的时候，就要用python去抓取一些代理IP，然后用这些代理IP不停地轮徇地爬取对方数据。在现实使用中，最好要隔段时间就去爬一次代理IP，并添加到代理IP库中，同时把不能使用的IP踢出IP库，每次爬求数据时，从代理IP库中随机（random .choice）获取一个IP。

脚本主要使用到requests模块和Beautiful Soup（bs4 ）模块

以下是爬取代理IP的简易脚本：

  1. import re
  2. from random import choice
  3. import requests
  4. import bs4
  5. url = "http://www.xicidaili.com/nn"
  6. headers = { "Accept":"text/html,application/xhtml+xml,application/xml;",
  7. "Accept-Encoding":"gzip",
  8. "Accept-Language":"zh-CN,zh;q=0.8",
  9. "Referer":"http://www.xicidaili.com/",
  10. "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.90 Safari/537.36"
  11. }
  12. r = requests.get(url,headers=headers)
  13. soup = bs4.BeautifulSoup(r.text, 'html.parser')
  14. data = soup.table.find_all("td",limit=40)    # limit是获取td的个数，这里可以指定获取多少个IP
  15. ip_compile= re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')
  16. port_compile = re.compile(r'<td>(\d+)</td>')
  17. ip = re.findall(ip_compile,str(data))
  18. port = re.findall(port_compile,str(data))
  19. ips = [":".join(i) for i in zip(ip,port)]
  20. print u"代理IP列表：{ip_list}".format(ip_list=ips)
  21. print u"随机在代理IP列表中选一个IP：{ip}".format(ip=choice(ips))

 

脚本中使用requests模块去请求url，爬取数据

使用re模块写正则匹配IP和端口，这IP和端口，都在HTML td元素中：

re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')

re.compile(r'<td>(\d+)</td>')

用 bs4 模块去解析HTML数据，拿我们要指定的元素节点中的数据

最后在使用IP时，可以用random .choice随机返回一个IP

 

re匹配表达式，还要看对方网站的HTML元素是怎么写的，要根据具体情况具体判断

 

以下是python爬虫脚本中相关模块的教程文档：

bs4（Beautiful Soup） 模块教程文档：http://beautifulsoup.readthedocs.io/zh_CN/latest/

requests模块教程文档：http://cn.python-requests.org/zh_CN/latest/

 

 

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: