寫爬蟲防止被封的關鍵有以下幾點：

一般第一點都能做到，第二點減輕訪問頻率就會大大增加任務時間，而使用代理就能在不增加任務時長避免被封的關鍵（實際情況卻是任務時間因為代理的使用而增加的，但這裡不細說，知道就好）。

下面我們從 國內高匿代理IP 獲得代理IP資料。

import os
import time
import requests
from bs4 import BeautifulSoup

#num獲取num頁 國內高匿ip的網頁中代理資料
 

def fetch_proxy(num):

   #修改當前工作資料夾

   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()

我們準備抓 國內高匿代理IP網 的十個頁面的代理

fetch_proxy(10)

當前工作目錄下的檔案，你看！！有host.txt

開啟host.txt,收集到了很多代理IP

但是有代理IP還不行，因為我們不知道這代理能不能用，是否有效。

下面我們用百度網進行檢驗（大公司不怕咱們短時間內高頻率訪問），上程式碼：

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{}個ip：{} 狀態{}'.format(N,pro,s.status_code))

       except Exception as e:

           print(e)

       N+=1

執行該程式碼，效果如下

代理Ip池生成函式

#生成代理池子，num為代理池容量
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

下面開始爬豆瓣電影的電影資料，我們要獲取 電影名、演員、評分。

電影標籤頁 https://movie.douban.com/tag/

爛片詳情頁https://movie.douban.com/tag/爛片

爛片詳情頁

我們就只爬爛片標籤頁的部分資料吧，網頁連結規律如下

第一頁https://movie.douban.com/tag/爛片?start=0
第二頁https://movie.douban.com/tag/爛片?start=20
第三頁https://movie.douban.com/tag/爛片?start=40
開始上程式碼

def fetch_movies(tag, pages, proxys):

   os.chdir(r'/Users/apple888/PycharmProjects/proxy IP/豆瓣電影')

   url = 'https://movie.douban.com/tag/愛情?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檔案儲存資料

   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]

               # 國家

               nation = movInfo[0][11:-2]

               actor_list = [act.strip(' ').replace('...', '') for act in movInfo[1:-1]]

               # 演員

               actors = '\t'.join(actor_list)

               # 評分

               score = movie.find('span', {'class': 'rating_nums'}).string

               # 評論人數

               peopleNum = movie.find('span', {'class': 'pl'}).string[1:-4]

               writer.writerow((movname, score, peopleNum, date, nation, actors))

       except:

           continue

       print('共有{}頁，已爬{}頁'.format(pages, int((page/20))))

執行上述寫好的程式碼

import time
start = time.time()

proxyPool= proxypool(50)

fetch_movies('爛片', 111, proxyPool)
end = time.time()

lastT = int(end-start)

print('耗時{}s'.format(lastT))

Perfect

原文釋出時間為：2018-11-16

本文來自雲棲社群合作伙伴“燈塔大資料”，瞭解相關資訊可以關注“燈塔大資料”。