利用python爬取软考试题之ip自动代理
前言
最近有个软件专业等级考试，以下简称软考，为了更好的复习备考，我打算抓取www.rkpass.cn网上的软考试题。
首先讲述一下我爬取软考试题的故（keng）事(shi)。现在我已经能自动抓取某一个模块的所有题目了，如下图：
目前可以将信息系统监理师的30条试题记录全部抓取下来，结果如下图所示：
抓取下来的内容图片：
虽然可以将部分信息抓取下来，但是代码的质量并不高，以抓取信息系统监理师为例，因为目标明确，各项参数清晰，为了追求能在短时间内抓取到试卷信息，所以并没有做异常处理，昨天晚上填了很久的坑。
回到主题，今天写这篇博客，是因为又遇到新坑了。从文中标题我们可以猜出个大概，肯定是请求次数过多，所以ip被网站的反爬虫机制给封了。
活人不能让尿憋死，革命先辈的事迹告诉我们，作为社会主义的接班人，我们不能屈服于困难，逢山开路，遇水搭桥，为了解决ip问题，ip代理这个思路就出来了。
在网络爬虫抓取信息的过程中，如果抓取频率高过了网站的设置阀值，将会被禁止访问。通常，网站的反爬虫机制都是依据IP来标识爬虫的。
于是在爬虫的开发者通常需要采取两种手段来解决这个问题：
1、放慢抓取速度，减小对于目标网站造成的压力。但是这样会减少单位时间类的抓取量。
2、第二种方法是通过设置代理IP等手段，突破反爬虫机制继续高频率抓取。但是这样需要多个稳定的代理IP。
话不多书，直接上代码：
# IP地址取自国内髙匿代理IP网站：http://www.xicidaili.com/nn/
# 仅仅爬取首页IP地址就足够一般使用
from bs4 import BeautifulSoup
import requests
import random
#获取当前页面上的ip
def get_ip_list(url, headers):
web_data = requests.get(url, headers=headers)
soup = BeautifulSoup(web_data.text)
ips = soup.find_all('tr')
ip_list = []
for i in range(1, len(ips)):
ip_info = ips[i]
tds = ip_info.find_all('td')
ip_list.append(tds[1].text + ':' + tds[2].text)
return ip_list
#从抓取到的Ip中随机获取一个ip
def get_random_ip(ip_list):
proxy_list = []
for ip in ip_list:
proxy_list.append('http://' + ip)
proxy_ip = random.choice(proxy_list)
proxies = {'http': proxy_ip}
return proxies
#国内高匿代理IP网主地址
url = 'http://www.xicidaili.com/nn/'
#请求头
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'}
#计数器，根据计数器来循环抓取所有页面的ip
num = 0
#创建一个数组，将捕捉到的ip存放到数组
ip_array = []
while num < 1537:
num += 1
ip_list = get_ip_list(url+str(num), headers=headers)
ip_array.append(ip_list)
for ip in ip_array:
print(ip)
#创建随机数，随机取到一个ip
# proxies = get_random_ip(ip_list)
# print(proxies)
运行结果截图：
这样，在爬虫请求的时候，把请求ip设置为自动ip，就能有效的躲过反爬虫机制中简单的封锁固定ip这个手段。
-------------------------------------------------------------------------------------------------------------------------------------
为了网站的稳定，爬虫的速度大家还是控制下，毕竟站长也都不容易。本文测试只抓取了17页ip。
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。
相关文章
这篇文章主要介绍了Python采集某网站文档并保存word格式的示例,我们平常需要下载文档的时候，是不是发现，要么不能下载，要么不能复制，那么我们今天来分享一下，如何用Python将这些不给下载的文档给批量下载下来,需要的朋友可以参考下2023-07-07
今天小编就为大家分享一篇浅谈python下含中文字符串正则表达式的编码问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
Tensorflow的可视化工具Tensorboard的初步使用详解
这篇文章主要介绍了Tensorflow的可视化工具Tensorboard的初步使用详解，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2018-02-02
Python Opencv提取图片中某种颜色组成的图形的方法
这篇文章主要介绍了Python Opencv提取图片中某种颜色组成的图形的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-09-09
这篇文章主要介绍了使用pandas模块实现数据的标准化操作，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2021-05-05
这篇文章主要为大家介绍了Python区块链创世块创建教程，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-05-05
CentOS 6.5中安装Python 3.6.2的方法步骤
centos 6.5默认自带的python版本为2.6，而下面这篇文章主要给大家介绍了关于在CentOS 6.5中安装Python 3.6.2的方法步骤，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧。2017-12-12
简单来说,自动化测试框架包含了所有的测试工作所需的测试框架,下面这篇文章主要给大家介绍了关于Python自动化测试面试题的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2023-02-02
基于K.image_data_format() == ''channels_first'' 的理解
这篇文章主要介绍了基于K.image_data_format() == 'channels_first' 的理解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06
Keras Convolution1D与Convolution2D区别说明
这篇文章主要介绍了Keras Convolution1D与Convolution2D区别说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-05-05
最新评论