海外网站如何通过代理IP进行采集？

海外网站如何通过代理IP进行采集？

我们在做爬虫的时候，经常会遇到这种情况，爬虫最初运行的时候，数据是可以正常获取的，一切看起来都那么的美好，然而，不一会儿，就可能会出现403 Forbidden , 然后你会打开网站看一眼，可能会看到”您的IP访问频率过高，请稍后重试“。 出现这种情况的时候，通常这种情况，我们会使用代理IP来隐藏自身IP，来实现大量抓取。国内的代理常用的产品多达几十种，而当我们需要爬取海外网站的时候，这些个代理是都不能用的，所以我们今天使用的是一款Ipidea的全球代理。

使用起来和国内的相差不大，可以根据需求，选在指定国家，或者全球混播，通过api接口调用，指定提取数量，也可以指定接口返回数据格式，有txt，json，html等，这里就以全球混播、json格式为例，获取代理，单次获取1个，python代码如下：

import requests
url = "http://tiqu.linksocket.com:81/abroad?num=1&type=2&pro=0&city=0&yys=0&port=1&flow=1&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=0&regions=www&n=0&f=1"
resp = requests.get(url)
# 成功获取到的数据为：{'code': 0, 'data': [{'ip': '47.74.232.57', 'port': 21861}], 'msg': '0', 'success': True}
data = resp.json().get('data')[0]
proxy = {
    "http": "http://%s:%d" % (data.get("ip"), data.get("port")),
    "https": "https://%s:%d" % (data.get("ip"), data.get("port"))
}

在获取ip之前，我们要通过个人中心设置IP白名单，否则是无法获取到数据的。

把你本机公网填入保存即可（官方也提供了接口添加或删除白名单），若不知道公网IP为多少，可以通过百度搜索IP即可。

爬虫demo如下，这里以六度新闻为例：

import requests
url = "http://tiqu.linksocket.com:81/abroad?num=1&type=2&pro=0&city=0&yys=0&port=1&flow=1&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=0&regions=www&n=0&f=1"
def get_proxy():
    """
    获取代理
    """
    resp = requests.get(url)
    data = resp.json().get('data')[0]
    proxy = {
        "http": "http://%s:%d" % (data.get("ip"), data.get("port")),
        "https": "https://%s:%d" % (data.get("ip"), data.get("port"))
    }
    return proxy
def download_html(url):
    """
    获取url接口数据
    """
    resp = requests.get(url,proxies=get_proxy())
    return resp.json()
def run():
    """
    主程序
    :return: 
    """
    url = "https://6do.news/api/tag/114?page=1"
    content = download_html(url)
    # 数据处理略
if __name__ == '__main__':
    run()

数据如图：

前后端分离的接口，对于爬虫来说还是比较友好的，数据提取起来比较方便，这里就不做过多处理，根据需求提取数据即可。

如果在爬虫中挂不上代理，请检查是否添加白名单。

本次海外网站的采集教程到这里就结束了，详细交流欢迎与我联系。

本文章旨在用于交流分享，【未经允许，谢绝转载】