Python 爬虫使用动态切换ip防止封杀

    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) 
    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!

发表评论

发表评论