马上5月份有个软件专业等级考试，以下简称软考，为了更好的复习备考，我打算抓取www.rkpass.com网上的软考试题。
以上为背景。
很久没有更新博客园的博客了，所以之前的代码没有及时的贴出来，咱们就从今天开始，讲述一下我爬取软考试题的故（keng）事(shi)。现在我已经能自动抓取某一个模块的所有题目了，如下图：
目前可以将信息系统监理师的30条试题记录全部抓取下来，结果如下图所示：
抓取下来的内容图片：
虽然可以将部分信息抓取下来，但是代码的质量并不高，以抓取信息系统监理师为例，因为目标明确，各项参数清晰，为了追求能在短时间内抓取到试卷信息，所以并没有做异常处理，昨天晚上填了很久的坑。
回到主题，今天写这篇博客，是因为又遇到新坑了。从博客标题我们可以猜出个大概，肯定是请求次数过多，所以ip被网站的反爬虫机制给封了。
活人不能让尿憋死，革命先辈的事迹告诉我们，作为社会主义的接班人，我们不能屈服于困难，逢山开路，遇水搭桥，为了解决ip问题，ip代理这个思路就出来了。
在网络爬虫抓取信息的过程中，如果抓取频率高过了网站的设置阀值，将会被禁止访问。通常，网站的反爬虫机制都是依据IP来标识爬虫的。于是在爬虫的开发者通常需要采取两种手段来解决这个问题：
1、放慢抓取速度，减小对于目标网站造成的压力。但是这样会减少单位时间类的抓取量。
2、第二种方法是通过设置代理IP等手段，突破反爬虫机制继续高频率抓取。但是这样需要多个稳定的代理IP。
话不多书，直接上代码：
1 # IP地址取自国内髙匿代理IP网站：http://www.xicidaili.com/nn/ 2 # 仅仅爬取首页IP地址就足够一般使用 3 4 from bs4 import BeautifulSoup 5 import requests 6 import random 7 8 #获取当前页面上的ip 9 def get_ip_list(url, headers):10 web_data = requests.get(url, headers=headers)11 soup = BeautifulSoup(web_data.text)12 ips = soup.find_all('tr')13 ip_list = []14 for i in range(1, len(ips)):15 ip_info = ips[i]16 tds = ip_info.find_all('td')17 ip_list.append(tds[1].text + ':' + tds[2].text)18 return ip_list19 20 #从抓取到的Ip中随机获取一个ip21 def get_random_ip(ip_list):22 proxy_list = []23 for ip in ip_list:24 proxy_list.append('http://' + ip)25 proxy_ip = random.choice(proxy_list)26 proxies = {'http': proxy_ip}27 return proxies28 29 #国内高匿代理IP网主地址30 url = 'http://www.xicidaili.com/nn/'31 #请求头32 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'}33 #计数器，根据计数器来循环抓取所有页面的ip34 num = 035 #创建一个数组，将捕捉到的ip存放到数组36 ip_array = []37 while num < 1537:38 num += 139 ip_list = get_ip_list(url+str(num), headers=headers)40 ip_array.append(ip_list)41 for ip in ip_array:42 print(ip)43 #创建随机数，随机取到一个ip44 # proxies = get_random_ip(ip_list)45 # print(proxies)
运行结果截图：
这样，在爬虫请求的时候，把请求ip设置为自动ip，就能有效的躲过反爬虫机制中简单的封锁固定ip这个手段。
-------------------------------------------------------------------------------------------------------------------------------------
为了网站的稳定，爬虫的速度大家还是控制下，毕竟站长也都不容易。本文测试只抓取了17页ip。
延伸阅读
- 博观而约取，厚积而薄发 2022-07-12 15:44:49.687
- 万码学堂学员柳*启[青岛信软鹏程信息技术有限公司] 2020-06-20 14:26:16.977
- 感谢，我亲爱的万码学堂 2024-03-26 11:12:06.6
- 万码学堂学员张*硕[青岛信软鹏程信息技术有限公司] 2020-06-19 09:37:18.517
- 博观而约取，厚积而薄发—杨*琛 2019-12-22 17:06:02.943
- 万码学堂学员袁*民 [青岛信软鹏程信息技术有限公司] 2019-12-11 11:08:07.957
- 在失败中总结，在跌倒中爬起——赵*道 2019-05-09 15:29:51.88
- 快乐学习，沉淀自己 2018-12-07 14:41:33.233
- 开启奇妙代码之旅 2018-12-05 15:13:10.857
- Qingsoft10.0课程体系iOS方向课程时尚指针 2017-10-24 09:08:43.337
博观而约取，厚积而薄发