首发于Urlteam

基于Tor网络的多ip爬虫

基于tor网络的多ip爬虫.更换ip的方式有多种,其中tor这类型则适合ip更换次数不大,网页数据量也不大,但是又厌恶代理那天天失效的麻烦,则最简单快捷的便是使用tor在本机搭建一个出口端口,让需要更换ip的爬虫程序制定proxies指向的端口.简单而且快捷,可使用的ip池子总数1000左右,实际中有500左右可以使用,匿名性当然不用质疑了.

一.测试环境:

  • linux ubuntu 16.04
  • python 2.7
  • 主要包:requests - requesocks
  • 自行安装tor环境

二.部署方式:

.. 2.1 环境准备
..... 2.1.1 Linux
..... 2.1.2 Python
..... 2.1.3 Tor

══════════

2.1 环境准备
──────

Linux 操作系统。Windows 部署没有验证。
2.1.1 Linux
╌╌╌╌╌╌╌╌╌╌╌

Linux 各种发行版本均可。以 Ubuntu 为例

2.1.2 Python

┌────
│ sudo apt-get install python-pip
└────
┌────
│ sudo pip install requests
│ sudo pip install requesocks
└────

╌╌╌╌╌╌╌╌╌
2.1.3 Tor
┌────
│ sudo apt-get install tor
│ sudo /etc/init.d/tor restart
└────
启动后socks监听9050端口。
┌────
│ tor --hash-password mypassword
└────
生成你的密码,之后编辑/etc/tor/torrc加上

ControlPort 9051

HashedControlPassword
16:872860B76453A77D60CA2BB8C1A7042072093276A3D701AD684053EC4C

让ControlPort监听9051端口,后边那个16:开头的hash就是上一步得到的。

┌────
│ /etc/init.d/tor restart
└────
重启下tor。

三. python示例代码

方法一:

使用 requesocks

import os
import requests
import requesocks
import time

url = 'http://api.ipify.org?format=json'


def getip_requests(url):
    print "(+) Sending request with plain requests..."
    r = requests.get(url)
    print "(+) IP is: " + r.text.replace("\n", "")                       

def getip_requesocks(url):
    print "(+) Sending request with requesocks..."
    session = requesocks.session()
    session.proxies = {'http': 'socks5://127.0.0.1:9050',
    'https': 'socks5://127.0.0.1:9050'}
    r = session.get(url)
    print "(+) IP is: " + r.text.replace("\n", "")


def main():
    print "Running tests..."
    getip_requests(url)
    getip_requesocks(url)
    os.system("""(echo authenticate '"mypassword"'; echo signal newnym; echo \
    quit) | nc localhost 9051""")
    time.sleep(2)
    getip_requesocks(url)


if __name__ == "__main__":
    main()

结果如图:


方法二

pip install PySocks

此可以使用requests的方式发送请求

import socket
import socks
import requests

socks.set_default_proxy(socks.SOCKS5, "127.0.0.1", 9050)
socket.socket = socks.socksocket
print(requests.get('http://api.ipify.org?format=json').text)

结果是类似的.


要在程序内实现tor更换出口ip则调用下条指令即可

  os.system("""(echo authenticate '"mypassword"'; echo signal newnym; echo \
  quit) | nc localhost 9051""")

四.总结


最终,在已知的7种爬虫更换ip的方式中,tor算是部署成本最小的,只要你本机能够连接tor即可拥有500个ip供使用,并且能够保证相当高的匿名性.但是问题也是存在的,如果目标网站网页内容多,或者在抓取的时候使用phantomjs等方式就也一样是网速要求比较高这个时候就需要另外的方式了,比如adsl....ADSL爬虫届的换ip大招

额外的爬虫进阶技术文:

浏览器模拟操作:博客上传送门phantomjs 知乎上的传送门 知乎专栏

爬虫分布式技术:博客上传送门redis 知乎上的传送门 知乎专栏

相关代码均在github开源项目中.欢迎star和fork.也希望多多指教.

Anti-Anti-Spider

编辑于 2016-12-08

文章被以下专栏收录