使用Jsoup和代理IP做数据抓取作者：数据无忧 时间：2020-09-18 13:24:53 |
现在爬数据越来越难，各种反爬，简单的网站没做什么反爬，就随便介绍下： 随便找点网站弄点免费的http代理ip，去爬一下，太简单就不介绍了，目前最好用的代理ip是无忧HTTP代理 具体说下，稍微有点爬虫技术含量的吧，怎么样伪装自己的爬虫程序，尽量避免反爬： 1.请求头的user-agent参数必不可少，而且！！！！要随机，这里是大坑，我之前就是没有随机，然后爬了几天就被人反爬了，醉了，我当时还以为代理的问题，一直跟客服比比比比比，说他们代理被封了，后来才发现是我的请求头里面的user-agent被封了，然后心里愧疚的跟客服小姐姐抱歉了下。。。僵硬。 user-agent是浏览器的标识，所以越多越好，大量的随机，跟代理ip一样重要！ 来源！来源！ 说实话之前一直没发现，后来是访问某网站的时候发现的，反爬做这么多干嘛，累啊，互联网，数据大家一起用嘛！！ 请求头的referer这个参数就是记录的来源。为什么要伪装这个参数。我详细的说明下，你来源不伪装，就直接请求别人的接口，凭什么，他这个接口可能只是给页面调用的。。浏览器请求的时候都有来源，你不伪装，不就暴露了，具体传什么参数，不同的网站都不一样，可以F12看下浏览器请求的时候传的什么。 代理ip必不可少，这里用免费的就不太好了，因为既然要爬数据，肯定要快，ip的要求就比较高，而且要有效的数量比较多，不然别人网站升级什么的，你没爬完，爬虫程序就蹦了。所以让老板花钱省心省力提高效率 。代理Ip的网站现在很多，我就不随便推荐了，免得查水表。 源码我就随便贴一下，应该是可以跑的，就是获取代理ip的url记得换下。 import java.io.IOException; import java.util.*; import java.util.concurrent.ExecutorService; import java.util.concurrent.Executors; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import net.sf.json.JSONObject; public class Test { //获取代理ip,记得更换，我用的是无忧代理的，可以换成其他的网站的 private final static String GET_IP_URL = "http://api.ip.data5u.com/dynamic/get.html?order=xxxx&sep=3&json=1"; public static void main(String[] args) throws InterruptedException { List<String> addrs = new LinkedList<String>(); Map<String,Integer> addr_map = new HashMap<String,Integer>(); Map<String,String> ipmap = new HashMap<String,String>(); ExecutorService exe = Executors.newFixedThreadPool(10); for (int i=0 ;i<1;i++) { Document doc = null; try { doc = Jsoup.connect(GET_IP_URL).get(); } catch (IOException e) { continue; } System.out.println(doc.text()); JSONObject jsonObject = JSONObject.fromObject(doc.text()); List<Map<String,Object>> list = (List<Map<String,Object>>) jsonObject.get("data"); int count = list.size(); for (Map<String,Object> map : list ) { String ip = (String)map.get("ip"); String port = (String)map.get("port") ; ipmap.put(ip,"1"); checkIp a = new checkIp(ip, new Integer(port),count); exe.execute(a); } exe.shutdown(); Thread.sleep(1000); } } } class checkIp implements Runnable { private static Logger logger = LoggerFactory.getLogger(aaa.class); private static int suc=0; private static int total=0; private static int fail=0; private String ip ; private int port; private int count; public checkIp(String ip, int port,int count) { super(); this.ip = ip; this.port = port; this.count = count; } @Override public void run() { Random r = new Random(); String[] ua = {"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:46.0) Gecko/20100101 Firefox/46.0", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586", "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko", "Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)", "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0)", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 BIDUBrowser/8.3 Safari/537.36", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36 Core/1.47.277.400 QQBrowser/9.4.7658.400", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 UBrowser/5.6.12150.8 Safari/537.36", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36 TheWorld 7", "Mozilla/5.0 (Windows NT 6.1; W…) Gecko/20100101 Firefox/60.0"}; int i = r.nextInt(14); logger.info("检测中------ {}:{}",ip,port ); Map<String,String> map = new HashMap<String,String>(); map.put("waybillNo","DD1838768852"); try { total ++ ; long a = System.currentTimeMillis(); //爬取的目标网站，url记得换下。。。！！！ Document doc = Jsoup.connect("http://trace.yto.net.cn:8022/TraceSimple.aspx") .timeout(5000) .proxy(ip, port, null) .data(map) .ignoreContentType(true) .userAgent(ua[i]) .header("referer","http://trace.yto.net.cn:8022/gw/index/index.html")//这个来源记得换.. .post(); System.out.println(ip+":"+port+"访问时间:"+(System.currentTimeMillis() -a) + " 访问结果: "+doc.text()); suc ++ ; } catch (IOException e) { e.printStackTrace(); fail ++ ; }finally { if (total == count ) { System.out.println("总次数："+total); System.out.println("成功次数："+suc); System.out.println("失败次数："+fail); } } } }
福利：现在通过开发者购买代理IP，购买后联系客服最高可获
返现20%
到你的支付宝（最低35元，最高1440元）
无忧代理IP(www.data5u.com)原创文章，转载请注明出处。
|
