Python 爬虫使用动态切换ip防止封杀
<p>上次有说过，我在新公司有部分工作是负责爬虫业务的，爬虫机器有上百台，节点也要计划迁入了Docker平台上。 这两天遇到一个棘手的问题，就是因为我们为了追求数据量，在某些机房，用docker启动了不少爬虫节点，导致一些傻逼网站，开始封禁我们…. … （干死他们，哥们要是有资源，必须干掉ddos，让你防 ！ 当然我也就装装逼，没这个资源）</p><p> 对于爬虫被封禁 ！ 爬虫一般来说只要你的ip够多，是不容易被封的。 一些中小网站要封杀你，他的技术成本也是很高的，因为大多数网站没有vps，他们用的是虚拟空间或者是sae，bae这样的paas云。 其实就算他们不考虑seo搜索优化，用ajax渲染网页数据，我也可以用webkit浏览器组件来搞定ajax之后的数据。</p>
<p> 如果某个网站他就是闲的蛋疼，他就是喜欢从log里面，一行行的分析出你的ip，然后统计处频率高的网站， 那这个时候咋办？ 其实方法很草比，就是用大量的主机，但是大量的主机是有了，你如果没有那么爬虫的种子量，那属于浪费资源… … 其实一个主机，多个ip是可以的。。。<br />这个时候是有两种方法可以解决的,第一个是用squid绑定多个ip地址，做正向代理…. 你的程序里面维持一组连接池，就是针对这几个正向proxy做的连接池。<br />正向代理和反向代理最大的区别就是，反向代理很多时候域名是固定的，而正向代理是通过一个http的代理端口，随意访问，只是在proxy端会修改http协议，去帮你访问<br />如果是python，其实单纯调用socket bind绑定某个ip就可以了，但是标题的轮训是个什么概念，就是维持不同的socket bind的对象，然后你就轮吧 ！ 跟一些业界做专门做爬虫的人聊过，他们用的基本都是这样的技术。 </p>
<p> <br /># -*- coding=utf-8 -*- <br />import socket <br />import urllib2 <br />import re <br />true_socket = socket.socket <br /> <br />ipbind='xx.xx.xxx.xx' <br /> <br />def bound_socket(*a, **k): <br /> sock = true_socket(*a, **k) <br /> sock.bind((ipbind, 0)) <br /> return sock <br /> <br />socket.socket = bound_socket <br /> <br />response = urllib2.urlopen('http://www.ip.cn') <br />html = response.read() <br />ip=re.search(r'code.(.*?)..code',html) <br />print ip.group(1) <br />在http://stackoverflow.com/ 上也找到一些个老外给与的解决方法的思路，他是借助于urllib2的HTTPHandler来构造的出口的ip地址。 </p>
<p>import functools<br />import httplib<br />import urllib2</p>
<p>class BoundHTTPHandler(urllib2.HTTPHandler):</p>
<p> def __init__(self, source_address=None, debuglevel=0):<br /> urllib2.HTTPHandler.__init__(self, debuglevel)<br /> self.http_class = functools.partial(httplib.HTTPConnection,<br /> source_address=source_address)</p>
<p> def http_open(self, req):<br /> return self.do_open(self.http_class, req)</p>
<p>handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))<br />opener = urllib2.build_opener(handler)<br />urllib2.install_opener(opener)</p>
<p> <br />import functools<br />import httplib<br />import urllib2<br /> <br />class BoundHTTPHandler(urllib2.HTTPHandler):<br /> <br /> def __init__(self, source_address=None, debuglevel=0):<br /> urllib2.HTTPHandler.__init__(self, debuglevel)<br /> self.http_class = functools.partial(httplib.HTTPConnection,<br /> source_address=source_address)<br /> <br /> def http_open(self, req):<br /> return self.do_open(self.http_class, req)<br /> <br />handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))<br />opener = urllib2.build_opener(handler)<br />urllib2.install_opener(opener)<br />那么就有一个现成的模块 netifaces ，其实netifaces模块，就是刚才上面socket绑定ip的功能封装罢了<br />地址: https://github.com/raphdg/netifaces</p>
<p>import netifaces<br />netifaces.interfaces()<br />netifaces.ifaddresses('lo0')<br />netifaces.AF_LINK<br />addrs = netifaces.ifaddresses('lo0')<br />addrs<br />[{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]</p>
<p>import netifaces<br />netifaces.interfaces()<br />netifaces.ifaddresses('lo0')<br />netifaces.AF_LINK<br />addrs = netifaces.ifaddresses('lo0')<br />addrs<br />[{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]<br />感谢阅读，希望能帮助到大家，谢谢大家对本站的支持！</p>
頁:
[1]