写爬虫防止被封的关键有以下几点：
● 伪装请求报头（request header）
● 减轻访问频率，速度
● 使用代理IP
一般第一点都能做到，第二点减轻访问频率就会大大增加任务时间，而使用代理就能在不增加任务时长避免被封的关键（实际情况却是任务时间因为代理的使用而增加的，但这里不细说，知道就好）。
下面我们从 国内高匿代理IP 获得代理IP数据。
import os
import time
import requests
from bs4 import BeautifulSoup
#num获取num页 国内高匿ip的网页中代理数据
def fetch_proxy(num):
#修改当前工作文件夹
os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')
api = 'http://www.xicidaili.com/nn/{}'
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/'
'537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}
fp = open('host.txt', 'a+', encoding=('utf-8'))
for i in range(num+1):
api = api.format(1)
respones = requests.get(url=api, headers=header)
soup = BeautifulSoup(respones.text, 'lxml')
container = soup.find_all(name='tr',attrs={'class':'odd'})
for tag in container:
try:
con_soup = BeautifulSoup(str(tag),'lxml')
td_list = con_soup.find_all('td')
ip = str(td_list[1])[4:-5]
port = str(td_list[2])[4:-5]
IPport = ip + '\t' + port + '\n'
fp.write(IPport)
except Exception as e:
print('No IP！')
time.sleep(1)
fp.close()
我们准备抓 国内高匿代理IP网 的十个页面的代理
fetch_proxy(10)
![86c56a9b62c6a4518f5cce7ba6cebc2bf24fcf9d]()
当前工作目录下的文件，你看！！有host.txt
![82cee61dee47eaa2dfa344d01c79862ce4cc6a77]()
打开host.txt,收集到了很多代理IP
但是有代理IP还不行，因为我们不知道这代理能不能用，是否有效。
下面我们用百度网进行检验（大公司不怕咱们短时间内高频率访问），上代码：
import os
import time
import requests
from bs4 import BeautifulSoup
def test_proxy():
N = 1
os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')
url = 'https://www.baidu.com'
fp = open('host.txt', 'r')
ips = fp.readlines()
proxys = list()
for p in ips:
ip = p.strip('\n').split('\t')
proxy = 'http:\\' + ip[0] + ':' + ip[1]
proxies = {'proxy': proxy}
proxys.append(proxies)
for pro in proxys:
try:
s = requests.get(url, proxies=pro)
print('第{}个ip：{} 状态{}'.format(N,pro,s.status_code))
except Exception as e:
print(e)
N+=1
运行该代码，效果如下
![8061f9392c974737de6b860e45bf3741714144fd]()
代理Ip池生成函数
#生成代理池子，num为代理池容量
def proxypool(num):
n = 1
os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')
fp = open('host.txt', 'r')
proxys = list()
ips = fp.readlines()
while n<num:
for p in ips:
ip = p.strip('\n').split('\t')
proxy = 'http:\\' + ip[0] + ':' + ip[1]
proxies = {'proxy': proxy}
proxys.append(proxies)
n+=1
return proxys
下面开始爬豆瓣电影的电影数据，我们要获取 电影名、演员、评分。
电影标签页 https://movie.douban.com/tag/
![88b674f7efebca22ce19241916265cbb109e4b8e]()
烂片详情页https://movie.douban.com/tag/烂片
![12b44bdcc7c32d3bd81a06d36ffd5c1517d25af2]()
烂片详情页
我们就只爬烂片标签页的部分数据吧，网页链接规律如下
第一页https://movie.douban.com/tag/烂片?start=0
第二页https://movie.douban.com/tag/烂片?start=20
第三页https://movie.douban.com/tag/烂片?start=40
开始上代码
def fetch_movies(tag, pages, proxys):
os.chdir(r'/Users/apple888/PycharmProjects/proxy IP/豆瓣电影')
url = 'https://movie.douban.com/tag/爱情?start={}'
headers = {
'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/'
'537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'}
#用csv文件保存数据
csvFile = open("{}.csv".format(tag), 'a+', newline='', encoding='utf-8')
writer = csv.writer(csvFile)
writer.writerow(('name', 'score', 'peoples', 'date', 'nation', 'actor'))
for page in range(0, pages*(20+1), 20):
url = url.format(tag, page)
try:
respones = requests.get(url, headers=headers, proxies=random.choice(proxys))
while respones.status_code!=200:
respones = requests.get(url, headers=headers, proxies=random.choice(proxys))
soup = BeautifulSoup(respones.text, 'lxml')
movies = soup.find_all(name='div', attrs={'class': 'pl2'})
for movie in movies:
movie = BeautifulSoup(str(movie), 'lxml')
movname = movie.find(name='a')
# 影片名
movname = movname.contents[0].replace(' ', '').strip('\n').strip('/').strip('\n')
movInfo = movie.find(name='p').contents[0].split('/')
# 上映日期
date = movInfo[0][0:10]
# 国家
nation = movInfo[0][11:-2]
actor_list = [act.strip(' ').replace('...', '') for act in movInfo[1:-1]]
# 演员
actors = '\t'.join(actor_list)
# 评分
score = movie.find('span', {'class': 'rating_nums'}).string
# 评论人数
peopleNum = movie.find('span', {'class': 'pl'}).string[1:-4]
writer.writerow((movname, score, peopleNum, date, nation, actors))
except:
continue
print('共有{}页，已爬{}页'.format(pages, int((page/20))))
执行上述写好的代码
import time
start = time.time()
proxyPool= proxypool(50)
fetch_movies('烂片', 111, proxyPool)
end = time.time()
lastT = int(end-start)
print('耗时{}s'.format(lastT))
Perfect
原文发布时间为：2018-11-16
本文来自云栖社区合作伙伴“灯塔大数据”，了解相关信息可以关注“灯塔大数据”。
