随着我们爬虫的速度越来越快，很多时候，有人发现，数据爬不了啦，打印出来一看。

不返回数据，而且还甩一句话

是不是很熟悉啊？

要想想看，人是怎么访问网站的？ 发请求，对，那么就会带有

request.headers，

那么当你疯狂请求别人的网站时候，人家网站的管理人员就会 觉得有点不对劲了，

他看看请求的 header 信息，一看吓一跳，结果看到的 headers 信息是这样的：

Host: 127.0.0.1:3369

User-Agent: python-requests/3.21.0

Accept-Encoding: gzip, deflate

Accept: */*

Connection: keep-alive

看到:

User-Agent: python-requests/3.21.0

居然使用 python 的库来请求，说明你已经暴露了，人家不封你才怪呢？

那么怎么办呢？伪装自己呗。

python 不可以伪装，浏览器可以伪装，所以可以修改浏览器的请求头。

简单来说，就是让自己的 python 爬虫假装是浏览器。

伪装 Header的哪个地方？

要让自己的 python 爬虫假装是浏览器，我们要伪装headers，那么headers里面有很多字段，我们主要注意那几个呢？headers数据通常用这两个即可，强烈推荐在爬虫中为每个request都配个user-agent，而’Referer’如果需要就加，不需要就不用。（Referer是什么？后面补充知识点）

图示：

上面几个重要点解释如下：

Requests Headers：

• “吾是人！”——修改user-agent：里面储存的是系统和浏览器的型号版本，通过修改它来假装自己是人。

• “我从台湾省来”——修改referer：告诉服务器你是通过哪个网址点进来的而不是凭空出现的，有些网站会检查。

• “饼干！”：——带上cookie，有时带不带饼干得到的结果是不同的，试着带饼干去“贿赂”服务器让她给你完整的信息。

3.headers的伪装—随机User-Agent

爬虫机制：很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）

随机User-Agent生成 ：生成一个随机的User-Agent，这样你就可以是很多不同的浏览器模样。

（代码现成的，复制拿去用即可）

#!/usr/bin/python3

#@Readme : 反爬之headers的伪装

# 对于检测Headers的反爬虫

from fake_useragent import UserAgent # 下载：pip install fake-useragent

ua = UserAgent() # 实例化，需要联网但是网站不太稳定-可能耗时会长一些

# 1.生成指定浏览器的请求头

print(ua.ie)

print(ua.opera)

print(ua.chrome)

print(ua.google)

print(ua.firefox)

print(ua.safari)

# 随机打印一个浏览器的User-Agent

print(ua.random)

print('完毕。')

# 2.在工作中常用的则是ua.random方式

import requests

ua = UserAgent()

print(ua.random) # 随机产生

headers = {

'User-Agent': ua.random # 伪装

}

# 请求

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

response = requests.get(url, headers=headers)

print(response.status_code)

Referer的伪装：

如果想爬图片，图片反盗链的话就要用到Referer了。

headers = {‘User-Agent’:ua.random,‘Referer’:‘这里放入图片的主页面’}

如果遇到防盗链的图片，一般思路就是先爬到所有图片的地址.jpg —–>将它们储存在列表中 —–>遍历访问图片地址，然后用 ‘wb’的格式打开文件写入，文件名根据图片地址动态改变。

这个基本上如果你的爬虫对象不是很严肃的图片网站，都不会用到。

4.2.1 自建的ip代理池

多线程爬虫

就是自己去收集网上公开的免费ip，自建起 自己的ip代理池。

就是通过 python 程序去抓取网上大量免费的代理 ip ， 然后定时的去检测这些 ip 可不可以用，那么下次你要使用代理 ip 的时候，你只需要去自己的 ip 代理池里面拿就行了。

简单来说：访问免费代理的网站 —> 正则/xpath提取 ip和端口—> 测试ip是否可用 》》可用则保存 》》使用ip爬虫 > 过期，抛弃ip。

这个过程可以使用多线程或异步的方式，因为检测代理是个很慢的过程。

这是来源于网络的一个西刺代理的多线程ip代理爬虫：（我不用）

#!/usr/bin/python3

#@Readme : IP代理==模拟一个ip地址去访问某个网站（爬的次数太多，ip被屏蔽）

# 多线程的方式构造ip代理池。

from bs4 import BeautifulSoup

import requests

from urllib import request, error

import threading

import os

from fake_useragent import UserAgent

inFile = open('proxy.txt') # 存放爬虫下来的ip

verifiedtxt = open('verified.txt') # 存放已证实的可用的ip

lock = threading.Lock()

def getProxy(url):

# 打开我们创建的txt文件

proxyFile = open('proxy.txt', 'a')

# 伪装

ua = UserAgent()

headers = {

'User-Agent': ua.random

}

# page是我们需要获取多少页的ip，这里我们获取到第９页

for page in range(1, 10):

# 通过观察ＵＲＬ，我们发现原网址+页码就是我们需要的网址了，这里的page需要转换成str类型

urls = url + str(page)

# 通过requests来获取网页源码

rsp = requests.get(urls, headers=headers)

html = rsp.text

# 通过BeautifulSoup，来解析html页面

soup = BeautifulSoup(html,'html.parser')

# 通过分析我们发现数据在 id为ip_list的table标签中的tr标签中

trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表

# 我们循环这个列表

for item in trs[1:]:

# 并至少出每个tr中的所有td标签

tds = item.find_all('td')

# 我们会发现有些img标签里面是空的，所以这里我们需要加一个判断

if tds[0].find('img') is None:

nation = '未知'

locate = '未知'

else:

nation = tds[0].find('img')['alt'].strip()

locate = tds[3].text.strip()

# 通过td列表里面的数据，我们分别把它们提取出来

ip = tds[1].text.strip()

port = tds[2].text.strip()

anony = tds[4].text.strip()

protocol = tds[5].text.strip()

speed = tds[6].find('div')['title'].strip()

time = tds[8].text.strip()

# 将获取到的数据按照规定格式写入txt文本中，这样方便我们获取

proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))

def verifyProxyList():

verifiedFile = open('verified.txt', 'a')

while True:

lock.acquire()

ll = inFile.readline().strip()

lock.release()

if len(ll) == 0: break

line = ll.strip().split('|')

ip = line[1]

port = line[2]

realip = ip + ':' + port

code = verifyProxy(realip)

if code == 200:

lock.acquire()

print("---Success成功:" + ip + ":" + port)

verifiedFile.write(ll + "\n")

lock.release()

else:

print("---Failure失败:" + ip + ":" + port)

def verifyProxy(ip):

'''

验证代理的有效性

'''

ua = UserAgent()

requestHeader = {

'User-Agent': ua.random

}

url = "http://www.baidu.com"

# 填写代理地址

proxy = {'http': ip}

# 创建proxyHandler

proxy_handler = request.ProxyHandler(proxy)

# 创建ｏｐｅｎｅｒ

proxy_opener = request.build_opener(proxy_handler)

# 安装opener

request.install_opener(proxy_opener)

try:

req = request.Request(url, headers=requestHeader)

rsq = request.urlopen(req, timeout=5.0)

code = rsq.getcode()

return code

except error.URLError as e:

return e

if __name__ == '__main__':

# 手动新建两个文件

filename = 'proxy.txt'

filename2 = 'verified.txt'

if not os.path.isfile(filename):

inFile = open(filename, mode="w", encoding="utf-8")

if not os.path.isfile(filename2):

verifiedtxt = open(filename2, mode="w", encoding="utf-8")

tmp = open('proxy.txt', 'w')

tmp.write("")

tmp.close()

tmp1 = open('verified.txt', 'w')

tmp1.write("")

tmp1.close()

# 多线程爬虫西刺代理网，找可用ip

getProxy("http://www.xicidaili.com/nn/")

getProxy("http://www.xicidaili.com/nt/")

getProxy("http://www.xicidaili.com/wn/")

getProxy("http://www.xicidaili.com/wt/")

all_thread = []

for i in range(30):

t = threading.Thread(target=verifyProxyList)

all_thread.append(t)

t.start()

for t in all_thread:

t.join()

inFile.close()

verifiedtxt.close()

运行一下，效果：

爬出来的可用的很少或者很短：

重点来了！！！！！！！！！

4.2.3 开源 ip代理池—ProxyPool（吐血推荐）

类比线程池，进程池，懂了吧？

这是俺发现的一个不错的开源 ip 代理池ProxyPool，可以用windows系统的，至少Python3.5以上环境哟，还需要将Redis服务开启。

现成的代理池，还不用起来？

ProxyPool下载地址：

https://github.com/Python3WebSpider/ProxyPool.git

（可以手动下载也可以使用git下来。）

1.ProxyPool的使用：

首先使用 git clone 将源代码拉到你本地，

3.进入proxypool目录，修改settings.py文件，PASSWORD为Redis密码，如果为空，则设置为None。（新装的redis一般没有密码。）

(如果你没 redis 的话，可以先去下载了安装了再来看吧。)

（假设你的redis已经安装完成。）

4.接着在你 clone 下来的文件目录中（就是这个ProxyPool存的电脑路径 ）

5.安装相关所需的 依赖包：

（pip或pip3）

pip install -r requirements.txt

（如果你把ProxyPool导入在pycharm里面，那就一切都在pycharm里面搞就可以了。

6.接下来开启你的 redis服务，

直接cmd 打开dos窗口，运行：redis-server.exe

即可开启redis服务器。redis 的默认端口就是 6379

7.接着就可以运行 run.py 了。

可以在cmd里面命令方式运行，也可以导入pycharm里面运行。

图示：

8.运行 run.py 以后，你可以打开你的redis管理工具，或者进入redis里面查看，这时候在你的 redis 中就会存入很多已经爬取到的代理 ip 了：

9.项目跑起来之后，【不要停止】，此时redis里面存了ip，就可以访问这个代理池了。

在上面的图中，可以看到有这么一句话

Running on http://0.0.0.0:5555/ (Press CTRL+C to quit)

这就是告诉我们随机访问地址URL是多少。

10.在浏览器中随机获取一个代理 ip 地址：

你就浏览器输入：

http://0.0.0.0:5555/random

11.在代码中随机获取一个ip代理

就这样：

import requests

# 随机ip代理获取

PROXY_POOL_URL = 'http://localhost:5555/random'

def get_proxy():

try:

response