发布时间：2022-09-09 13:30
爬取网站的时候经常会遇到网站上都部署了反爬虫机制，当服务器检测到一段时间内同一个 IP 持续密集的访问网站，则将其判定为爬虫程序，在一段时间内不允许该 IP 地址访问服务器。
这种情况其实可以写个延迟函数，每爬一次随机歇个几秒钟，有效的降低访问密度，从而避开反爬机制。但是弊端是太浪费时间，一天爬几万条数据会感到非常吃力。这时就需要更加有效率的爬取数据，所以需要使用动态ip 和随机 UA(User-Agent)。说白了就是伪装爬虫，假装不同的人使用不同的浏览器在访问网站。
使用动态拨号
除了代理IP以外，还可以使用动态拨号来更换IP，这种方式获得的IP质量更高，而且可以直接在拨号上部署业务，更加方便。这种方式需要进行一些技术处理，实现IP更换和调用。
使用动态ip
使用动态ip 的强大之处在于它在爬虫运行的同时，在线获取动态ip。每次只获取一页，存于数组中，随机使用。当大部分的 IP 失效之后(记录访问失败的次数，当超过一定阈值时，则视为此页动态ip 失效)，然后重新获取一页动态ip，如此，可保证每次使用的都是最新的 IP，而且不需要额外的空间和文件来存放动态ip。
def get_proxy(page):
'''
功能：获取 快代理 网站上的最新免费代理IP
参数： page 页数
返回：存有动态ip 的列表 proxyList
'''
# 存放获取到的动态ip 信息 proxyList = [] # 访问 快代理 网站，获取第 page 页的网页信息 headers = { "User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11" } request = urllib.request.Request("https://www.kuaidaili.com/free/inha/"+str(page), headers=headers) html = urllib.request.urlopen(request).read() # 解析网页信息，从中提取动态ip 的数据 content = etree.HTML(html) ip = content.xpath('//td[@data-title="IP"]/text()') port = content.xpath('//td[@data-title="PORT"]/text()') # 将动态ip 信息存入 proxyList 列表 for i in ip: for p in port: proxyList.append(i+':'+p) return proxyList