一.前言

玩爬蟲的都避免不了各大網(wǎng)站的反爬措施限制，比較常見的是通過固定時(shí)間檢測(cè)某ip地址訪問量來判斷該用戶是否為 “網(wǎng)絡(luò)機(jī)器人”，也就是所謂的爬蟲，如果被識(shí)別到，就面臨被封ip的風(fēng)險(xiǎn)，那樣你就不能訪問該網(wǎng)址了。

[[317798]]

通用的解決辦法是用代理ip進(jìn)行爬取，但是收費(fèi)的代理ip一般都是比較貴的，網(wǎng)上倒是有很多免費(fèi)的代理ip網(wǎng)站，但是受時(shí)效性影響，大部分地址都不能用，有很多維護(hù)代理ip池的教程，即把爬取并檢測(cè)后能用代理ip放到“代理池里”，等以后要用的時(shí)候再?gòu)睦锩嫣崛?，在我看來，這種效率比較低，因?yàn)檫@類IP地址很快就失效，我們要做的是邊檢測(cè)邊使用，充分保證免費(fèi)IP的時(shí)效性。

二.抓取IP地址

下面就開始實(shí)戰(zhàn)操作。

1.首先我們隨便找一個(gè)免費(fèi)代理ip網(wǎng)站，如下圖所示。

2、打開網(wǎng)頁(yè)查看器，分析其網(wǎng)頁(yè)元素結(jié)構(gòu)，如下圖所示。

3、就是一個(gè)簡(jiǎn)單的靜態(tài)網(wǎng)頁(yè)，我們用requests和bs4將ip地址和對(duì)應(yīng)端口爬下，如下圖所示。

4、每一行ip地址都由5個(gè)標(biāo)簽組成，而我們需要的是第一個(gè)標(biāo)簽(對(duì)應(yīng)IP地址)和第2個(gè)標(biāo)簽(對(duì)應(yīng)端口)，所以從第一個(gè)開始，每隔5個(gè)取出ip地址(item[::5]),從第二個(gè)開始，每隔5個(gè)取出對(duì)應(yīng)端口(item[1::5]),參數(shù)n為頁(yè)碼，每次只在1頁(yè)取1個(gè)有用的ip地址，最終效果如下圖所示：

三.驗(yàn)證IP有效性

這里把百度百科作為目標(biāo)網(wǎng)站，這個(gè)看似很普通的網(wǎng)站，反爬措施卻極為嚴(yán)格，爬不了幾條內(nèi)容就開始請(qǐng)求失敗了，下面我以在百度百科查詢?nèi)珖?guó)火車站歸屬地信息為例演示如何使用免費(fèi)代理ip。

1、首先我在12306上把所有的火車站名都爬下來了，但是沒有歸屬地信息。

2、然后以站名構(gòu)造百度百科url信息，分析網(wǎng)頁(yè)元素，把爬取爬取火車站地址信息，網(wǎng)頁(yè)元素如下圖所示：

3、所以，我們只需在class_='basicInfo-item'的標(biāo)簽內(nèi)容里查找有無“省”或者“市”的字符，然后輸出就行了，最后加一個(gè)while True循環(huán)，當(dāng)該ip能正常爬數(shù)據(jù)時(shí)，則break該循環(huán);若該ip被禁，則馬上重新請(qǐng)求一個(gè)新ip進(jìn)行爬取。直接上代碼如下圖所示:

4、其中for循環(huán)是遍歷所有火車站，try是用于檢測(cè)該ip還能不能用，若不能，則在except里請(qǐng)求1個(gè)新ip，爬取效果如下圖所示：

下次再遇到爬蟲被禁的情況就可以用此辦法解決了。

四.結(jié)語(yǔ)

本文基于Python網(wǎng)絡(luò)爬蟲技術(shù)，主要介紹了去IP代理網(wǎng)站上抓取可用IP，并且Python腳本實(shí)現(xiàn)驗(yàn)證IP地址的時(shí)效性，如遇到爬蟲被禁的情況就可以用本文的辦法進(jìn)行解決。