导读

在爬虫技术中，当需要在某一网站中爬取大量的数据时，如果至始至终都是使用同一个IP去爬取资源，久了之后就会发现爬取不了了。这是因为服务器网它“发现”客户端在“作弊”（爬虫能1s请求成百上千个页面，人只有10根手指头，能搞过来吗？服务器检测到该异常了，于是就把它卡擦掉了），于是网站服务器就屏蔽客户端请求了。那么，怎样解决这个问题呢？

解决思路非常简单，来一招“瞒天过海，暗渡陈仓”即可解决！既然服务器检测到我们的请求都来自同一个IP地址，那么我给它伪装一下，常常换IP去请求不就可以了吗，这样服务器就无法辨认了。

下面就来看看如何设置代理服务器，让代理服务器去请求需要的资源。

代理服务器如何获取？

直接百度“免费代理服务器”即可找到各种各样的资源。有付费的，也有免费的，这里筛选一些免费的，示例如下图：

proxy_server_img

一般分“国内代理服务器”和“国外代理服务器”，这需要根据目标主机所在位置进行选择，一般选择“国内”的代理服务器。

在选择代理服务器时，一般选择“验证时间”比较短的，这样的服务器请求的成功率会较大，反之可能失败！

在使用代理服务器时，主要用到的就是“代理IP地址”和“端口”这两项，其完整格式为：“IP地址：端口号”，例：121.239.51.158:3128。选好代理服务器后，接下来就是调用代码了。

调用代码

通过调用代理服务器完成爬虫对网站内容的数据爬取，代码如下：

#!/usr/bin/python3
#-*- coding: utf-8 -*-

import urllib.request

proxy = urllib.request.ProxyHandler({'http':'140.143.156.166:1080'})   # 设置代理服务器
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)   # 创建 build_opener 对象
urllib.request.install_opener(opener)
html = urllib.request.urlopen("http://www.baidu.com")
print(html.getcode())   # 获取请求状态码
data = html.read().decode('utf-8')    # 读取数据并解码
print(len(data))

实例输出：

200
109819

代码分析

proxy = urllib.request.ProxyHandler({'http':'140.143.156.166:1080'})

使用 ProxyHandler() 方法设置代理服务器信息。参数是一个字典，其“键”为协议类型，“值”为代理服务器地址。可以定义"http"协议或 "https" 等协议！（注意：这需要根据代理服务器提供的代理服务进行设置）

特别声明：其“键”值切勿写成“http://”、"https://"等格式，因为这样会产生完全不一样的效果。使用此格式时仍然是使用计算机当前的公网IP进行资源获取，而不是使用代理服务器地址，所以如果使用了该格式，后面填写的代理服务地址，不管格式是对是错，代理服务器是否可用，这都与本程序无关。

opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)

使用 build_opener() 方法创建一个自定义 opener 对象。参数1：为代理服务器信息；参数2：是 urllib.request.HTTPHandler 类。

urllib.request.install_opener(opener)

使用 install_opener() 方法创建一个全局对象，主要为接下来甚至后面所有的“连接请求”操作提供服务。

html = urllib.request.urlopen("http://www.baidu.com")

调用 urlopen() 方法请求相关资源，注：这里会使用上面 install_opener() 方法创建的 opener 对象进行连接请求，即使用定义好的代理服务器。成功请求到资源后返回给 html 变量。

html.getcode()

获取网页请求的状态码。返回 200 表示请求成功，返回其它表示请求异常！具体可查看页面请求状态码相关知识。

至此，结合“实例输出”可知页面已经请求成功，且获得的页面资源总长度为 109819 个字符。

封装代码

下面对以上 代理服务设置 的代码就行一个函数封装，具体如下：

#!/usr/bin/python3
#-*- coding: utf-8 -*-

import urllib.request

def use_proxy(proxy_addr, url):
    """
    功能：设置代理服务器，利用代理服务器请求资源
    :param proxy_addr: 代理服务信息     格式：【IP地址：端口】
    :param url: 请求页面url地址
    :return: 页面 html 代码
    """
    proxy = urllib.request.ProxyHandler({'http':proxy_addr})
    opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
    urllib.request.install_opener(opener)
    data = urllib.request.urlopen(url)
    print(data.getcode())
    html = data.read()
    return html

proxy_addr = "140.143.156.166:1080"    # 代理服务器地址
url = "http://www.baidu.com"
data = use_proxy(proxy_addr, url)   # 调用函数
print(len(data))

# 写入文件中
fp = open("./aa.html", "wb")
fp.write(data)
fp.close()

提示：在 调用 or 测试 本程序时，应先测试代理服务是否可用，具体可以多获取几个代理服务器地址进行测试。

Python 爬虫代理服务器设置