2022 年最新 Python3 网络爬虫教程
大家好,我是崔庆才,由于爬虫技术不断迭代升级,一些旧的教程已经过时、案例已经过期,最前沿的爬虫技术比如异步、JavaScript 逆向、安卓逆向、智能解析、WebAssembly、大规模分布式、Kubernetes 等技术层出不穷,我最近新出了一套最新最全面的 Python3 网络爬虫系列教程。
博主自荐:截止 2022 年,可以将最前沿最全面的爬虫技术都涵盖的教程,如异步、JavaScript 逆向、安卓逆向、智能解析、WebAssembly、大规模分布式、Kubernetes 等,市面上目前就这一套了。
最新教程对旧的爬虫技术内容进行了全面更新,搭建了全新的案例平台进行全面讲解,保证案例稳定有效不过期。
教程请移步:
如下为原文。
提示
本教程方法已不是最优,最新解决方案请移步 http://cuiqingcai.com/4596.html
那夜
那是一个寂静的深夜,科比还没起床练球,虽然他真的可能不练了。 我废了好大劲,爬虫终于写好了!BUG也全部调通了!心想,终于可以坐享其成了! 泡杯茶,安静地坐在椅子上看着屏幕上一行行文字在控制台跳出,一条条数据嗖嗖进入我的数据库,一张张图片悄悄存入我的硬盘。人生没有几个比这更惬意的事情了。 我端起茶杯,抿了一口,静静地回味着茶香。 这时,什么情况!屏幕爆红了!爆红了!一口茶的功夫啊喂! 怎么回事!咋爬不动了,不动了!我用浏览器点开那一个个报错的链接,浏览器显示
您的请求过于频繁,IP已经被暂时封禁,请稍后再试!
沃日,我IP被封了?此时此刻,空气凝固了,茶也不再香了,请给我一个爱的抱抱啊。 时候不早了,还是洗洗睡吧。
次日
那一晚,辗转反侧难以入睡。 怎么办?怎么办?如果是你你该怎么办? 手动换个IP?得了吧,一会又要封了,还能不能安心睡觉啊? 找免费代理?可行,不过我之前测过不少免费代理IP,一大半都不好用,而且慢。不过可以一直维护一个代理池,定时更新。 买代理?可以可以,不过优质的代理服务商价格可是不菲的,我买过一些廉价的,比如几块钱套餐一次提取几百IP的,算了还是不说了都是泪。 然而最行之有效的方法是什么?那当然是ADSL拨号! 这是个啥?且听我慢慢道来。
什么是ADSL
ADSL (Asymmetric Digital Subscriber Line ,非对称数字用户环路)是一种新的数据传输方式。它因为上行和下行带宽不对称,因此称为非对称数字用户线环路。它采用频分复用技术把普通的电话线分成了电话、上行和下行三个相对独立的信道,从而避免了相互之间的干扰。 他有个独有的特点,每拨一次号,就获取一个新的IP。也就是它的IP是不固定的,不过既然是拨号上网嘛,速度也是有保障的,用它搭建一个代理,那既能保证可用,又能自由控制拨号切换。 如果你是用的ADSL上网方式,那就不用过多设置了,直接自己电脑调用一个拨号命令就好了,自动换IP,分分钟解决封IP的事。 然而,你可能说?我家宽带啊,我连得公司无线啊,我蹭的网上的啊!那咋办? 这时,你就需要一台VPS拨号主机。
购买服务器
某度广告做的那么好是吧?一搜一片,这点谷歌可是远远比不上啊。 于是乎,我就搜了搜,键入:拨号服务器,有什么骑士互联啊、无极网络啊、挂机宝啊等等的。我选了个价钱还凑合的,选了个无极网络(这里不是在打广告),80一个月的配置,一天两块钱多点。 2核、512M内存,10M带宽。 云立方 大家觉得有更便宜的更好用请告诉我呀! 接下来开始装操作系统,进入后台,有一个自助装系统的页面。 我装的CentOS的,在后面设置代理啊,定时任务啊,远程SSH管理啊之类的比较方便。如果你想用Windows,能配置好代理那也没问题。 有的小伙伴可能会问了,既然它的IP是拨号变化的,你咋用SSH连?其实服务商提供了一个域名,做了动态解析和端口映射,映射到这台主机的22端口就好了,所以不用担心IP变化导致SSH断开的问题。 好了装好了服务器之后,服务商提供了一个ADSL的拨号操作过程,用pppoe命令都可以完成,如果你的是Linux的主机一般都是用这个。然后服务商还会给给你一个拨号账号和密码。 那么接下来就是试下拨号了。 服务商会提供详细的拨号流程说明。 比如无极的是这样的: 拨号流程 设置好了之后,就有几个关键命令:
1 |
pppoe-start 拨号 |
如果想重新拨号,那就执行stop、start就可以了。 反复执行,然后查看下ip地址,你会发现拨号一次换一个IP,是不是爽翻了! 好,那接下来就设置代理吧。
设置代理服务器
之前总是用别人的代理,没自己设置过吧?那么接下来我们就来亲自搭建HTTP代理。 Linux下搭建HTTP代理,推荐Squid和TinyProxy。都非常好配置,你想用哪个都行,且听我慢慢道来。 我的系统是CentOS,以它为例进行说明。
Squid
首先利用yum安装squid
1 |
yum -y install squid |
设置开机启动
1 |
chkconfig --level 35 squid on |
修改配置文件
1 |
vi /etc/squid/squid.conf |
修改如下几个部分:
1 |
http_access allow !Safe_ports #deny改成allow |
其他的不需要过多配置。 启动squid
1 |
sudo service squid start |
如此一来配置就完成了。 代理使用的端口是3128
TinyProxy
首先添加一下镜像源,然后安装
1 |
rpm -Uvh http://dl.fedoraproject.org/pub/epel/5/i386/epel-release-5-4.noarch.rpm |
修改配置
1 |
vi /etc/tinyproxy/tinyproxy.conf |
可以修改端口和允许的IP,如果想任意主机都连接那就把Allow这一行注释掉。
1 |
Port 8888 #预设是8888 Port,你可以更改 |
启动TinyProxy
1 |
service tinyproxy start |
好了,两个代理都配置好了。 你想用那个都可以! 不过你以为这样就完了吗?太天真了,我被困扰了好几天,怎么都连不上,我还在怀疑是不是我哪里设置得不对?各种搜,一直以为是哪里配置有遗漏,后来发现是iptables的锅,万恶的防火墙。踩过的的坑,那就不要让大家踩了,用下面的命令设置下iptables,放行3128和8888端口就好了。
1 |
service iptables save |
修改iptables配置
1 |
vi /etc/sysconfig/iptables |
在
1 |
-A IN_public_allow -p tcp -m tcp --dport 22 -m conntrack --ctstate NEW -j ACCEPT |
的下面添加两条规则
1 |
-A IN_public_allow -p tcp -m tcp --dport 3128 -m conntrack --ctstate NEW -j ACCEPT |
1 |
sudo service iptabels restart |
输入 ifconfig得到IP地址,在其他的主机上输入
1 |
curl -x IP:8888 www.baidu.com |
测试一下,如果能出现结果,那就说明没问题。 如果怎么配都连不上,那干脆关了你的防火墙吧。虽然不推荐。
连接代理
接下来才是重头戏,你咋知道你的服务器IP现在到底是多少啊?拨一次号IP就换一次,那这还了得? 如果服务商提供了端口映射!那一切都解决了!直接用端口映射过去就好了。然而,我的并没有。 自力更生,艰苦创业! 首先我研究了一下DDNS服务,也就是动态域名解析。即使你的IP在变化,那也可以通过一个域名来映射过来。 原理简单而统一:当前拨号主机定时向一个固定的服务器发请求,服务器获取remote_addr就好了,可以做到定时更新和解析。 那么我找了一下,国内做的比较好的就是花生壳了,然后又找到了DNSPOD的接口解析。 下面简单说下我的折腾过程,大家可以先不用试,后面有更有效的方法。
花生壳
现在花生壳出到3.0版本了,有免费版和付费版之分,我就试用了一下免费版的。这里是花生壳的一些配置和下载: 花生壳配置 下载花生壳客户端之后,会生成SN码,用这个在花生壳的官网登录后,会分配给你一个免费的域名。 接下来这个域名就能解析到你的主机了。
DNSPOD
DNSPOD原理也是一样,不过好处是你可以配置自己的域名。 在GitHub上有脚本可以使用。 脚本链接 具体的细节我就不说了,实际上就是定时请求,利用remote_addr更新DNSPOD记录,做到动态解析。 解析接口 不过!这两个有个通病!慢! 什么慢?解析慢!但这不是他们的锅,因为DNS修改后完全生效就是需要一定的时间,这一秒你拨号了,然后更新了IP,但是域名可能还是解析着原来的IP,需要过几分钟才能变过来。这能忍吗? 我可是在跑爬虫啊,这还能忍?
自力更生
嗯,V2EX果然是个好地方,逛了一下,收获不小。 链接在此 参考了 abelyao 的思路,自己写了脚本来获取IP,保证秒级更新! 此时,你还需要另一台固定IP的主机或者某个云服务器,只要是地址固定的就好。在这里我用了另一台有固定IP的阿里云主机,当然你如果有什么新浪云啊之类的也可以。 那么现在的思路就是,拨号VPS定时拨号换IP,然后请求阿里云主机,阿里云主机获取VPS的IP地址即可。 拨号VPS做的事情: 定时拨号,定时请求服务器。使用bash脚本,然后crontab定时执行。 远程服务器: 接收请求,获取remote_addr,保存起来。使用Flask搭建服务器,接收请求。 废话少说,上代码 AutoProxy
功能
由于DDNS生效时间过长,对于爬虫等一些时间要求比较紧迫的项目就不太适用,为此本项目根据DDNS基本原理来实现实时获取ADSL拨号主机IP。
基本原理
client文件夹由ADSL拨号客户机运行。它会定时执行拨号操作,然后请求某个固定地址的服务器,以便让服务器获取ADSL拨号客户机的IP,主要是定时bash脚本运行。 server文件夹是服务器端运行,利用Python的Flask搭建服务器,然后接收ADSL拨号客户机的请求,得到remote_addr,获取客户机拨号后的IP。
项目结构
server
- config.py 配置文件。
- ip 客户端请求后获取的客户端IP,文本保存。
- main.py Flask主程序,提供两个接口,一个是接收客户端请求,然后将IP保存,另外一个是获取当前保存的IP。
client
- crontab 定时任务命令示例。
- pppoe.sh 拨号脚本,主要是实现重新拨号的几个命令。
- request.sh 请求服务器的脚本,主要是实现拨号后请求服务器的操作。
- request.conf 配置文件。
使用
服务器
服务器提供两个功能,record方法是客户机定时请求,然后获取客户机IP并保存。proxy方法是供我们自己用,返回保存的客户机IP,提取代理。
克隆项目
1 |
git clone https://github.com/Germey/AutoProxy.git |
修改配置
修改config.py文件
- KEY 是客户端请求服务器时的凭证,在client的request.conf也有相同的配置,二者保持一致即可。
- NEED_AUTH 在获取当前保存的IP(即代理的IP)的时候,为防止自己的主机代理被滥用,在获取IP的时候,需要加权限验证。
- AUTH_USER和AUTH_PASSWORD分别是认证用户名密码。
- PORT默认端口,返回保存的结果中会自动添加这个端口,组成一个IP:PORT的代理形式。
运行
1 |
cd server |
ADSL客户机
克隆项目
1 |
git clone https://github.com/Germey/AutoProxy.git |
修改配置
修改reqeust.conf文件
- KEY 是客户端请求服务器时的凭证,在server的config.py也有相同的配置,二者保持一致即可。
- SERVER是服务器项目运行后的地址,一般为http://<服务器IP>:<服务器端口>/record。如
http://120.27.14.24:5000/record
。
修改pppoe.sh文件 这里面写上重新拨号的几条命令,记得在前两行配置一下环境变量,配置上拨号命令所在的目录,以防出现脚本无法运行的问题。
运行
设置定时任务
1 |
crontab -e |
输入crontab的实例命令
1 |
*/5 * * * * /var/py/AutoProxy/client/request.sh /var/py/AutoProxy/client/request.conf >> /var/py/AutoProxy/client/request.log |
注意修改路径,你的项目在哪里,都统一修改成自己项目的路径。 最前面的*/5是5分钟执行一次。 好了,保存之后,定时任务就会开启。
验证结果
这样一来,访问服务器地址,就可以得到ADSL拨号客户机的IP了。
1 |
import requests |
实例结果:
1 |
116.208.97.22:8888 |
扩展
如果你有域名,可以自己解析一个域名,这样就可以直接请求自己的域名,拿到实时好用的代理了,而且定时更新。
代理设置
urllib2
1 |
import urllib2 |
requests
1 |
import requests |
以上便秒级解决了动态IP解析,自己实现了一遍DDNS,爽! 那这样以来,以后就可以直接请求你的主机获取一个最新可用的代理IP了,稳定可用,定时变化! 以上便是ADSL拨号服务器配置的全过程,希望对大家有帮助!