知识屋:更实用的电脑技术知识网站
所在位置:首页 > 电脑技术

Python爬虫使用动态切换ip防止封杀 关于使用动态轮训切换ip防止爬虫被封杀

发布时间:2017-02-25 12:47:47作者:知识屋

Python爬虫使用动态切换ip防止封杀 关于使用动态轮训切换ip防止爬虫被封杀 这篇文章主要介绍了Python 爬虫使用动态切换ip防止封杀的相关资料,需要的朋友可以参考下


  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)


  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。


  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……


  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。


  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


  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。


  # -*- coding=utf-8 -*-


  import socket


  import urllib2


  import re


  true_socket = socket.socket


  ipbind='xx.xx.xxx.xx'


  def bound_socket(*a, **k):


  sock = true_socket(*a, **k)


  sock.bind((ipbind, 0))


  return sock


  socket.socket = bound_socket


  response = urllib2.urlopen('http://www.ip.cn')


  html = response.read()


  ip=re.search(r'code.(。*?)code',html)


  print ip.group(1)


  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。


  import functools


  import httplib


  import urllib2


  class BoundHTTPHandler(urllib2.HTTPHandler):


  def __init__(self, source_address=None, debuglevel=0):


  urllib2.HTTPHandler.__init__(self, debuglevel)


  self.http_class = functools.partial(httplib.HTTPConnection,


  source_address=source_address)


  def http_open(self, req):


  return self.do_open(self.http_class, req)


  handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))


  opener = urllib2.build_opener(handler)


  urllib2.install_opener(opener)


  import functools


  import httplib


  import urllib2


  class BoundHTTPHandler(urllib2.HTTPHandler):


  def __init__(self, source_address=None, debuglevel=0):


  urllib2.HTTPHandler.__init__(self, debuglevel)


  self.http_class = functools.partial(httplib.HTTPConnection,


  source_address=source_address)


  def http_open(self, req):


  return self.do_open(self.http_class, req)


  handler = BoundHTTPHandler(source_address=("192.168.1.10", 0))


  opener = urllib2.build_opener(handler)


  urllib2.install_opener(opener)


  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


  地址:   https://github.com/raphdg/netifaces


  import netifaces


  netifaces.interfaces()


  netifaces.ifaddresses('lo0')


  netifaces.AF_LINK


  addrs = netifaces.ifaddresses('lo0')


  addrs[netifaces.AF_INET]


  [{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]


  import netifaces


  netifaces.interfaces()


  netifaces.ifaddresses('lo0')


  netifaces.AF_LINK


  addrs = netifaces.ifaddresses('lo0')


  addrs[netifaces.AF_INET]


  [{'peer': '127.0.0.1', 'netmask': '255.0.0.0', 'addr': '127.0.0.1'}]


  感谢阅读,希望能帮助到大家,谢谢大家对本站的支持!


(免责声明:文章内容如涉及作品内容、版权和其它问题,请及时与我们联系,我们将在第一时间删除内容,文章内容仅供参考)
收藏
  • 人气文章
  • 最新文章
  • 下载排行榜
  • 热门排行榜