Question

我一直在使用aiohttp和反向连接代理（每个请求的IP更改）进行一些测试。使用反向连接代理的最大问题是，有时候你没有得到一个好的代理。无论如何，无论如何，我仍然需要通过该特定URL的请求。我创建了一个请求http://ip4.me 10,000次并检索IP地址的示例。一切都在开始时起作用，但最终，它开始出现错误：

本地变量＆＃39; ip＆＃39;在分配前引用

出现此错误的原因是因为我在请求后获得的页面是一些重定向页面，它会将您带到某个随机站点。这是HTML（真的没什么关系，但我想我会描绘出全貌）。

<html><head><meta content="2;url=http://ip4.me/?" http-equiv="refresh"/></head><body><iframe frameborder="0" id="f" style="width:1;height:1"></iframe><script>document.getElementById("f").src="http://168.126.130.229/tm/?a=CR&b=WIN&c=300017519516&d=32&e=2205&f=aXA0Lm1l&g=1520816781875&h="+Date.now()+"&y=0&z=0&x=1&w=2017-11-29&in=2205_00002350&id=20180312"</script></body></html>

我猜我得到这个页面，因为它是针对这么多请求的某种防御或类似的东西？现在通常当我得到一个错误的请求（坏代理，花了很长时间加载，等等）。我只是继续尝试，直到我得到一个良好的响应（这个例子运行时90％的时间工作）。就像我之前提到的那样，最后（当可能还有10个请求时）。它将继续获取上面发布的HTML以及我在上面发布的错误。这将一直发生。

我认为发生这种情况的唯一原因是正在使用相同的会话，因此网站以某种方式知道这一点并且不断给我这个重定向页面（从不允许它突破While循环）。当然，还有另一个原因。如果有人对这种情况发生的原因有任何见解？或者甚至是更好的方式来重试请求（如果我得到一个坏的代理等等），我将不胜感激！以下是我的完整工作示例，如果您有任何疑问，请与我们联系。谢谢你的时间！

import asyncio
import aiohttp

from bs4 import BeautifulSoup
from datetime import datetime
from aiohttp.resolver import AsyncResolver

class Proxy:
    def __init__(self, headers, proxy):
        self.headers = headers
        self.proxy = proxy

    async def build(self, dataset):
        tasks = []
        resolver = AsyncResolver(nameservers=["8.8.8.8", "8.8.4.4"])
        connector = aiohttp.TCPConnector(limit=1500, limit_per_host=0, resolver=resolver, use_dns_cache=False)
        async with aiohttp.ClientSession(connector=connector) as session:
            for data in range(0,dataset):
                task = asyncio.ensure_future(self.fetch(session, data))
                tasks.append(task)
            r = await asyncio.gather(*tasks)
            return r

    async def fetch(self, session, data):
        while True:
            try:
                async with session.get('http://ip4.me', headers=self.headers, proxy=self.proxy, timeout=60, ssl=False, allow_redirects=False) as resp:
                    assert resp.status == 200
                    r = await resp.read()
                    soup = BeautifulSoup(r, 'lxml')
                    for font in soup.find_all('font'):
                        ip = font.text
                    print (data, ip)
                    return ip
            except Exception as e:
                print (e)

if __name__ == '__main__':
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'}
    proxy = 'XXX.XX.X.XXX:XXXXX'
    proxy = "http://{}".format(proxy)
    dataset = 10000

    px = Proxy(headers, proxy)

    startTime = datetime.now()
    loop = asyncio.new_event_loop()
    asyncio.set_event_loop(loop)
    future = asyncio.ensure_future(px.build(dataset))
    ip = loop.run_until_complete(future)
    loop.close()
    print (datetime.now() - startTime)

Answer 1

抓取是一个很大的话题。

在你的表达式中，我想象你正在使用不同的代理每个请求。但是在您的代码中，我认为您为每个请求使用相同的代理和相同的标头。

因此，在这种情况下，无论您如何在python代码中更改会话，服务器都很容易识别您。因为您的IP从未改变过。这已经足够了。当服务器认为您应该被禁止时，它会禁止您的IP，然后您将完全被阻止，无论您如何尝试。

有些网站提供专业服务来解决抓取禁止。他们在一段时间内为每个不同的请求使用不同的代理。并且他们使用随机生成的用户代理打扮成不同的浏览器。他们还使用庞大的数据库来决定相关策略。

所以这并不容易。如果您尝试获取一些数据，则可以放慢速度。

使用新会话

....
resolver = AsyncResolver(nameservers=["8.8.8.8", "8.8.4.4"])
connector = aiohttp.TCPConnector(limit=1500, limit_per_host=0, resolver=resolver, use_dns_cache=False, force_close=True)
sessions = []
for data in range(0,dataset):
    session = aiohttp.ClientSession(connector=connector)
    task = asyncio.ensure_future(self.fetch(session, data))
    tasks.append(task)
    sessions.append(session)
r = await asyncio.gather(*tasks)
[session.close() for session in sessions]
return r
....

force_close=True可能没用，因为您为每个请求使用不同的会话。

如何重置/清除aiohttp会话

1 个答案:

使用新会话