代理IP爬虫案例实操分享

如果是有限的数据，那么我们可以用人工来解决，但是面对海量的数据库，动用爬虫必不可少，随着代理ip软件的出现，它越来越多被利用于网络爬虫项目。对于大多数爬虫而言，主要是抓取网页，因此，页头请求是爬虫运行中的一个重要部分。


下面，我们来一起看看具体执行操作。


一、httpClient发送httpget请求

　　
二、采集图片


response返回信息中肯定会有对应图片信息，例如图片验证码、图片二维码等登录凭证。在编写爬虫时，网页中图片的采集方案大致如下：


筛选图片：


确认该请求为图片，根据contentType进行筛选。获取是图片的请求 ，找到图片，然后处理，另存


保存方式：


1、图片服务器，采集好放到图片服务器中


2、直接存到项目目录下，webapp项目路径下或者缓存中

　　
这里使用了commons-io， apache IO 框架 copyFileto方法，直接将图片流另存为图片文件到指定路径下。


三、httpclient模拟浏览器发送请求


使用httpclient直接发送请求，对于某些安全性较高的网站而言，该httpGet请求会被识别非浏览器代理请求而被拒绝访问。所以一般项目都需要使用httpClient模拟浏览器发送请求，浏览器关键参数。

　　
HttpGet请求除了访问到指定的url之外，还可设置请求头、请求连接等参数信息。这些参数对于真实浏览器发送的http请求是必不可少的，可通过浏览器-network进行查看具体需要设置哪几种参数以及参数值。

　　
对于返回的response httpEntity，可获取实体的内容编码，以及返回状态码来。返回实体信息主要用于特征识别 ，使用content-type过滤调不需要的其他相应类型，例如只要text类型的。


四、 HttpClient连接超时和读取超时


httpClient在执行具体http请求时候 有一个连接的时间和读取内容的时间;


1、连接时间


是HttpClient发送请求的地方开始到连接上目标url主机地址的时间，理论上是距离越短越快，线路越通畅越快。HttpClient默认连接超时时间是1min，超过1min过一会儿会再次尝试连接。也可人工设定连接超时时间，如10s。


HttpClient读取时间


2、读取时间


是HttpClient已经连接到了目标服务器，然后进行内容数据的获取，一般情况 读取数据都是很快速的，但是假如读取的数据量大，或者是目标服务器本身的问题(比如读取数据库速度慢，并发量大等等..)也会影响读取时间。读取时间可也根据业务具体设定。


HttpClient提供了一个RequestConfig类 专门用于配置参数比如连接时间，读取时间以及代理IP等。

　　
五、动态更换代理IP


一般对于访问量大、安全性高的网站都有各自的反爬策略，其中针对定期、规律性访问的IP会进行拉黑屏蔽处理。定向爬取某类网站数据便需要使用大量代理IP进行访问，避免IP被封的情况发生。其中一键换ip软件根据是否易被目标网站发现分为，透明代理、匿名代理、混淆代理(伪装)、高匿代理(隐蔽性最高，让别人根本无法发现你在使用代理)。


一般如果IP被封，那请求返回状态一般为403，拒绝访问，这时则需要换一个ip再去访问。另外代理ip软件管理策略，如果项目没有专门购买批量代理Ip则需要自行在网站上抓代理ip，把抓到的ip都放到先进先出的队列里。n个队列，例如每个40个IP放到1个队列里，队列里<10个了，再去抓。队列里的IP先进先出，避免重复使用。养成隐藏ip池。