V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
qtoq126
V2EX  ›  程序员

关于挂梯子爬数据的疑问

  •  
  •   qtoq126 · 2022-02-26 09:47:00 +08:00 · 2909 次点击
    这是一个创建于 1007 天前的主题,其中的信息可能已经有所发展或是发生改变。

    最近刚接触爬虫,想爬一些墙外的数据

    有个疑问,目前我的代理是这样设置的

    proxies = {
      "https": "http://127.0.0.1:8001",
      "http": "http://127.0.0.1:8001",
    }
    
    

    需要挂着梯子,才可以正常返回数据

    但是我理解的是如果我设置一个定时爬虫程序,它应该是跟我的机器环境无关的啊,也就是说,无论我的机器是否是挂着梯子的,程序应该都可以通过增加代理参数正常的返回数据才对?

    我尝试着把 proxies 参数设置成挂梯子后的 IP+IP 端口仍然无法正常获取数据

    不知道是不是我的方法不对,还是理解有问题,望大佬指点一下,谢谢了

    17 条回复    2022-02-27 10:09:16 +08:00
    celeron533
        1
    celeron533  
       2022-02-26 10:02:03 +08:00
    如果你访问的目标不是 http ,而是 socket 之类的,试试看用 socks5 代理。http 代理有局限性。
    qtoq126
        2
    qtoq126  
    OP
       2022-02-26 10:10:43 +08:00
    @celeron533 我就是随便试了几个被墙的网站,都不行,google 、Wikipedia 之类的。

    另外我只知道 socks5 端口号,是还是按照 IP+端口号的形式写代理参数吗
    opengps
        3
    opengps  
       2022-02-26 10:10:55 +08:00 via Android
    你的机器的公网 ip 可能在对方服务器的黑名单之内
    qtoq126
        4
    qtoq126  
    OP
       2022-02-26 10:20:19 +08:00
    @opengps 我就用家里的电脑试的……
    wangyu17455
        5
    wangyu17455  
       2022-02-26 10:43:31 +08:00
    @celeron533 http connect 可以实现 tcp over http
    webshe11
        6
    webshe11  
       2022-02-26 11:30:16 +08:00
    > 但是我理解的是如果我设置一个定时爬虫程序,它应该是跟我的机器环境无关的啊,也就是说,无论我的机器是否是挂着梯子的,程序应该都可以通过增加代理参数正常的返回数据才对?

    > 我尝试着把 proxies 参数设置成挂梯子后的 IP+IP 端口仍然无法正常获取数据

    什么意思?没看太明白
    反正你跑脚本的机器肯定得同时开着代理程序,才能监听 127.0.0.1:8001 ,才能让你的脚本连接 127.0.0.1:8001 间接获取数据
    ncepuzs
        7
    ncepuzs  
       2022-02-26 12:15:38 +08:00
    你爬虫程序运行在本地电脑的话,不开代理(“挂着梯子”),怎么给你返回数据?
    还是说我对你的话理解有误?
    imn1
        8
    imn1  
       2022-02-26 12:15:54 +08:00
    如果你这个 proxies 是系统级代理,爬虫就不需要再写代理了
    然后,你的梯子是固定 ip 的话,大站一般都有反爬,小心永久 ban 了你的梯子 ip ,得不偿失

    你先试试用梯子爬一些没有墙的国外网站,看看什么情况
    qtoq126
        9
    qtoq126  
    OP
       2022-02-26 14:06:55 +08:00
    “反正你跑脚本的机器肯定得同时开着代理程序,才能监听 127.0.0.1:8001 ,才能让你的脚本连接 127.0.0.1:8001 间接获取数据”

    @webshe11 那我应该如何实现一个自动爬虫程序,比如每天固定时间爬一次某个网站,然后把数据存到数据库中?这个自动爬虫程序中的代理应该如何写呢,或者说是我必须保证跑脚本的机器是开机状态而且连着代理才行吗?
    webshe11
        10
    webshe11  
       2022-02-26 15:27:37 +08:00
    @qtoq126 跑脚本的机器当然要开机,而且只要在国内都要开着代理软件
    gen900
        11
    gen900  
       2022-02-26 15:42:04 +08:00 via iPhone
    有点懂楼主意思了,爬虫不是放出去就在网络世界里自己“爬”了。它本质上就是一个不停发网络请求的程序,这样说明白?
    wangyu17455
        12
    wangyu17455  
       2022-02-26 16:05:32 +08:00
    假设你用的 java 写的爬虫,那么设置代理然后爬就是这样的
    ``` java
    import java.io.IOException;
    import java.net.InetSocketAddress;
    import java.net.ProxySelector;
    import java.net.URI;
    import java.net.http.HttpClient;
    import java.net.http.HttpRequest;
    import java.net.http.HttpResponse;

    public class Main {
    public static void main(String[] args) throws IOException, InterruptedException {
    var httpClient = HttpClient.newBuilder().proxy(ProxySelector.of(new InetSocketAddress("localhost", 8080))).build();
    var requesrt = HttpRequest.newBuilder(URI.create("https://baidu.com")).build();
    var response = httpClient.send(requesrt, HttpResponse.BodyHandlers.ofString());
    System.out.println(response.body());
    }
    }
    ```
    qtoq126
        13
    qtoq126  
    OP
       2022-02-26 16:09:36 +08:00
    @webshe11 @gen900
    谢谢回复,这样说我就理解了。就是说如果想实现一个自动爬虫程序,满足我上面的需求的话,可能需要租一台服务器(永不关机),然后在服务器上写一个定时程序才行吧
    Soar360
        14
    Soar360  
       2022-02-26 18:13:28 +08:00
    btw ,墙内的网络如果要通过 HTTP 代理访问外网,是会被扫描到并断开链接的。
    webshe11
        15
    webshe11  
       2022-02-26 20:56:02 +08:00
    @qtoq126 买台海外的 省了代理这一步了
    rabbirbot00
        16
    rabbirbot00  
       2022-02-27 10:02:24 +08:00 via Android
    有可能存在 DNS 污染的问题,把 socks5 改为 socks5h 试试,这样就会使用目标代理服务器的 DNS 了。
    ShuoHui
        17
    ShuoHui  
       2022-02-27 10:09:16 +08:00 via iPhone
    “写成梯子的 IP 跟 prot”这里有问题吧,如果是梯子,得看代理协议吧?
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   5537 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 38ms · UTC 08:27 · PVG 16:27 · LAX 00:27 · JFK 03:27
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.