爬虫程序中怎么加入动态代理
网络编程 2013-04-02 13:04:51 14151 5评论 下载为PDF
相信很多人都用过代码写过不同的爬虫程序吧，来获取互联网上自己需要的信息，这比自己手动的去一个一个复制来的容易。但是，居然是用程序来获取某个网站里面的信息，可以知道，在很短的时间内，这个程序会访问某个网站很多次，很多网站都会对这样的情况进行屏蔽；比如，隔几分钟才能正常访问。这对于我们的爬虫程序来说是个大麻烦。我们知道，当我们访问一个网站的时候，对方服务器是会记下我们电脑的IP地址，有没有方法来动态改变自己的IP地址呢？答案是有的，那就是用代理。这样我们就可以在程序中加入代理功能，只要对方服务器屏蔽了我们的IP，我们就用程序自动的去换别的IP地址嘛，这样不就可以不断的访问某个服务器吗？可以利用Java的HttpClient包，来加入动态代理功能。
好了，说了这么多，程序怎么实现呢？具体的思路是：当我们可以正常访问一个页面的时候（给服务器发送一条HTTP请求），服务器一般是会返回2XX的HTTP响应码给我们。当服务器返回诸如403（被禁止访问了；当然，这个页面正常情况下是可以访问的，正常情况下都返回403 的代码，那就是人家本来就不让你访问的啦，我也哀莫能及）HTTP相应码的时候，我们就可以知道，服务器是把我们屏蔽了。这时候，当我们的程序检测到返回的403代码的时候，就可以换一个IP地址，再重新请求刚刚被屏蔽的页面不就实现了动态代码的程序吗？
第一步：先声明一个代理类
package com.wyp.utils;/** * @author 过往记忆 * Create Data: 2012-8-10 * Email: wyphao.2007@163.com * Blog: https://www.iteblog.com * 版权所有，翻版不究，但在修改本程序的时候必须加上这些注释！ * 仅用于学习交流之用 * * 代理服务器IP以及端口 */public class proxyServer {public static String proxyIP [] = {"ec2-23-22-95-3.compute-1.amazonaws.com", "211.68.70.169", "202.203.132.29","218.192.175.84", "ec2-50-16-197-120.compute-1.amazonaws.com", "50.22.206.184-static.reverse.softlayer.com",};public static int proxyPort[] = {8000, 3128, 3128, 3128, 8001, 8080};}这个代理类很简单吧，就加了几个代理的IP和端口。注意，proxyPort中的端口号要一一对应proxyIP中的IP地址。
第二步：声明一个HttpClient 对象，设置好超时时间。
HttpClient httpClient = null;httpClient = new HttpClient();// 设置 Http 连接超时 5shttpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
第三步：设置代理
/** * 设置代理*/private void setProxy(String proxyIP, int hostPort) {System.out.println("正在设置代理：" + proxyIP + ":" + hostPort);// TODO Auto-generated method stubhttpClient.getHostConfiguration().setHost(Hosturl, hostPort, "http");httpClient.getParams().setCookiePolicy(CookiePolicy.BROWSER_COMPATIBILITY);httpClient.getHostConfiguration().setProxy(proxyIP, proxyPort); Credentials defaultcreds = new UsernamePasswordCredentials("", ""); httpClient.getState().setProxyCredentials(new AuthScope(proxyIP, proxyPort, null), defaultcreds);}第四步：测试当前的代理是否有用
/*** @param string* @param i** 测试代理服务器的可用性** 只有返回HttpStatus.SC_OK才说明代理服务器有效* 其他的都是不行的*/private int testProxyServer(String url, String proxyIp, int proxyPort) {// TODO Auto-generated method stubsetProxy(proxyIp, proxyPort);GetMethod getMethod = setGetMethod(url);if(getMethod == null){System.out.println("请求协议设置都搞错了，所以我无法完成您的请求");System.exit(1);}try {int statusCode = httpClient.executeMethod(getMethod);if (statusCode == HttpStatus.SC_OK) { //2XX状态码return HttpStatus.SC_OK;}else if(statusCode == HttpStatus.SC_FORBIDDEN){ //代理还是不行return HttpStatus.SC_FORBIDDEN;}else{//其他的错误return 0;}} catch (HttpException e) {// 发生致命的异常，可能是协议不对或者返回的内容有问题System.out.println("Please check your provided http address!");System.exit(1);} catch (IOException e) {// 发生网络异常System.exit(1);} finally {// 释放连接getMethod.releaseConnection();}return 0;}第五步：得到服务器是否对我们进行屏蔽，如果返回的是SC_FORBIDDEN，代表被屏蔽的，那么我们就一个一个代理去试，也就是调用第四步的函数去判断当前的代理是否有用。
if(statusCode == HttpStatus.SC_FORBIDDEN){ //访问被人家限制了就设置代理 //代理服务器的个数 int proxySize = proxyServer.proxyIP.length; int i = 0; for(; i < proxySize; i++){ //我们一个一个测试代理服务器的有用性 System.out.println("正在测试代理：" + proxyServer.proxyIP[i] + ":" + proxyServer.proxyPort[i]); int status = testProxyServer(url, proxyServer.proxyIP[i], proxyServer.proxyPort[i]); if(status == HttpStatus.SC_OK){//代理服务器找到了 break; }else{ //其他情况你就继续去代理吧 continue; } } if(i >= proxySize){ System.out.println("唉，我把你设置的代理服务器都测试了，好像没有发现有效的代理，我只有退出了！"); return null; } System.out.println("代理：" + proxyServer.proxyIP[i] + ":" + proxyServer.proxyPort[i] + "目前可用"); proxyIP = proxyServer.proxyIP[i]; proxyPort = proxyServer.proxyPort[i];经过上面几步，我们就可以不要担心程序被人家屏蔽了。
