Python爬虫设置代理IP爬取知乎图片

本文接着前面两文中提到的内容来继续完善我们的Python爬虫。上文地址：通过Python爬虫爬取知乎某个问题下的图片

设置代理的方式很简单，可以看看这里Requests的官方文档，这里也有对应的中文版介绍，点击打开链接

先简单说下requests代理的使用，摘自上述提到的文档：

如果需要使用代理，你可以通过为任意请求方法提供 proxies 参数来配置单个请求:

import requestsproxies = {  "http": "http://10.10.1.10:3128",  "https": "http://10.10.1.10:1080",}requests.get("http://example.org", proxies=proxies)

你也可以通过环境变量 HTTP_PROXY 和 HTTPS_PROXY 来配置代理。

$ export HTTP_PROXY="http://10.10.1.10:3128"$ export HTTPS_PROXY="http://10.10.1.10:1080"$ python>>> import requests>>> requests.get("http://example.org")

若你的代理需要使用HTTP Basic Auth，可以使用 http://user:password@host/ 语法：

proxies = {    "http": "http://user:pass@10.10.1.10:3128/",}

要为某个特定的连接方式或者主机设置代理，使用 scheme://hostname 作为 key， 它会针对指定的主机和连接方式进行匹配。

proxies = {'http://10.20.1.128': 'http://10.10.1.10:5323'}

注意，代理 URL 必须包含连接方式。

下面看一个例子，接着上文提到的高匿代理，我们获取该网站第一页上可用的IP和端口，下面的代码段把它放在了一个单独的模块中，命名为: 'proxyip'，接着我们调用该模块可以直接获取到可用的10个代理ip，具体的网页爬取过程和代码介绍可以参看这里：点击打开链接

import requestsfrom bs4 import BeautifulSoupimport reimport os.pathuser_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5)'headers = {'User-Agent': user_agent}def getListProxies():    session = requests.session()    page = session.get("http://www.xicidaili.com/nn", headers=headers)    soup = BeautifulSoup(page.text, 'lxml')    proxyList = []    taglist = soup.find_all('tr', attrs={'class': re.compile("(odd)|()")})    for trtag in taglist:        tdlist = trtag.find_all('td')        proxy = {'http': tdlist[1].string + ':' + tdlist[2].string,                 'https': tdlist[1].string + ':' + tdlist[2].string}        url = "http://ip.chinaz.com/getip.aspx"  #用来测试IP是否可用的url        try:            response = session.get(url, proxies=proxy, timeout=5)            proxyList.append(proxy)            if(len(proxyList) == 10):                break        except Exception, e:            continue    return proxyList

然后是通过代理来爬取知乎图片，只需修改上文代码中的 DownloadImgAndWriteToFile 类即可，代码如下：

import proxyipclass DownloadImgAndWriteToFile(Thread):    def run(self):        proxies = proxyip.getListProxies()        proxy = proxies[0]  #第一个最好设置为自己的本地IP，速度会快一些        print proxy        nameNumber = 0        ipIndex = 1        global queue        while isRun:            image = queue.get()            queue.task_done()            suffixNum = image.rfind('.')            suffix = image[suffixNum:]            fileName = filePath + os.sep + str(nameNumber) + suffix            nameNumber += 1            try:                # 设置超时重试次数及超时时间单位秒                session.mount(image, HTTPAdapter(max_retries=3))                response = session.get(image, proxies=proxy, timeout=20)                contents = response.content                with open(fileName, "wb") as pic:                    pic.write(contents)            except requests.exceptions.ConnectionError:                print '连接超时,URL: ', image                if ipIndex < 10 :                    proxy = proxies[ipIndex]                    print '新IP:Port', proxy                    ipIndex += 1            except IOError:                print 'Io error'        print '图片下载完毕'

注意：这里获取到的IP的下载速度贼慢，本文主要是简单讲解一下requests代理的使用，所以自己用的时候还请换些个快点的IP。