写爬虫防止被封的关键有以下几点：

1. 伪装请求报头（request header）
2. 减轻访问频率，速度
3. 使用代理IP

一般第一点都能做到，第二点减轻访问频率就会大大增加任务时间，而使用代理就能在不增加任务时长避免被封的关键（实际情况却是任务时间因为代理的使用而增加的，但这里不细说，知道就好）。

下面我们从 国内高匿代理IP 获得代理IP数据。

import os

import time

import requests

from bs4 import BeautifulSoup



#num获取num页 国内高匿ip的网页中代理数据

def fetch_proxy(num):

    #修改当前工作文件夹

    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')

    api = 'http://www.xicidaili.com/nn/{}'

    header = {

    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/'

                  '537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}

    fp = open('host.txt', 'a+', encoding=('utf-8'))

    for i in range(num+1):

        api = api.format(1)

        respones = requests.get(url=api, headers=header)

        soup = BeautifulSoup(respones.text, 'lxml')

        container = soup.find_all(name='tr',attrs={'class':'odd'})

        for tag in container:

            try:

                con_soup = BeautifulSoup(str(tag),'lxml')

                td_list = con_soup.find_all('td')

                ip = str(td_list[1])[4:-5]

                port = str(td_list[2])[4:-5]

                IPport = ip + '\t' + port + '\n'

                fp.write(IPport)

            except Exception as e:

                print('No IP！')

        time.sleep(1)

    fp.close()

我们准备抓 国内高匿代理IP网 的十个页面的代理

fetch_proxy(10)

当前工作目录下的文件，你看！！有host.txt

打开host.txt,收集到了很多代理IP

但是有代理IP还不行，因为我们不知道这代理能不能用，是否有效。

下面我们用百度网进行检验（大公司不怕咱们短时间内高频率访问），上代码：

import os

import time

import requests

from bs4 import BeautifulSoup

def test_proxy():

    N = 1

    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')

    url = 'https://www.baidu.com'

    fp = open('host.txt', 'r')

    ips = fp.readlines()

    proxys = list()

    for p in ips:

        ip = p.strip('\n').split('\t')

        proxy = 'http:\\' + ip[0] + ':' + ip[1]

        proxies = {'proxy': proxy}

        proxys.append(proxies)

    for pro in proxys:

        try:

            s = requests.get(url, proxies=pro)

            print('第{}个ip：{} 状态{}'.format(N,pro,s.status_code))

        except Exception as e:

            print(e)

        N+=1

运行该代码，效果如下

代理Ip池生成函数

#生成代理池子，num为代理池容量

def proxypool(num):

    n = 1

    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP')

    fp = open('host.txt', 'r')

    proxys = list()

    ips = fp.readlines()

    while n<num:

        for p in ips:

            ip = p.strip('\n').split('\t')

            proxy = 'http:\\' + ip[0] + ':' + ip[1]

            proxies = {'proxy': proxy}

            proxys.append(proxies)

            n+=1

    return proxys

下面开始爬豆瓣电影的电影数据，我们要获取 电影名、演员、评分。

电影标签页 https://movie.douban.com/tag/

烂片详情页https://movie.douban.com/tag/烂片

烂片详情页

我们就只爬烂片标签页的部分数据吧，网页链接规律如下

第一页https://movie.douban.com/tag/烂片?start=0
第二页https://movie.douban.com/tag/烂片?start=20
第三页https://movie.douban.com/tag/烂片?start=40
开始上代码

def fetch_movies(tag, pages, proxys):

    os.chdir(r'/Users/apple888/PycharmProjects/proxy IP/豆瓣电影')

    url = 'https://movie.douban.com/tag/爱情?start={}'

    headers = {

    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/'

                  '537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'}



    #用csv文件保存数据

    csvFile = open("{}.csv".format(tag), 'a+', newline='', encoding='utf-8')

    writer = csv.writer(csvFile)

    writer.writerow(('name', 'score', 'peoples', 'date', 'nation', 'actor'))



    for page in range(0, pages*(20+1), 20):

        url = url.format(tag, page)

        try:

            respones = requests.get(url, headers=headers, proxies=random.choice(proxys))

            while respones.status_code!=200:

                respones = requests.get(url, headers=headers, proxies=random.choice(proxys))

            soup = BeautifulSoup(respones.text, 'lxml')

            movies = soup.find_all(name='div', attrs={'class': 'pl2'})

            for movie in movies:

                movie = BeautifulSoup(str(movie), 'lxml')

                movname = movie.find(name='a')

                # 影片名

                movname = movname.contents[0].replace(' ', '').strip('\n').strip('/').strip('\n')

                movInfo = movie.find(name='p').contents[0].split('/')

                # 上映日期

                date = movInfo[0][0:10]

                # 国家

                nation = movInfo[0][11:-2]

                actor_list = [act.strip(' ').replace('...', '') for act in movInfo[1:-1]]

                # 演员

                actors = '\t'.join(actor_list)

                # 评分

                score = movie.find('span', {'class': 'rating_nums'}).string

                # 评论人数

                peopleNum = movie.find('span', {'class': 'pl'}).string[1:-4]

                writer.writerow((movname, score, peopleNum, date, nation, actors))

        except:

            continue

        print('共有{}页，已爬{}页'.format(pages, int((page/20))))

执行上述写好的代码

import time

start = time.time()

proxyPool= proxypool(50)

fetch_movies('烂片', 111, proxyPool)

end = time.time()

lastT = int(end-start)

print('耗时{}s'.format(lastT))

Perfect

后续文章我会写点对豆瓣电影数据的分析（会使用pandas库）

欢迎关注简书 邓旭东HIT

欢迎关注知乎 邓旭东HIT
公众号   大邓带你玩转python