随机使用不同代理和用户代理的智能屏幕抓取？

Question

我想从 http://abc.com/view_page.aspx?ID="rel="nofollow noreferrer">http://abc.com/view_page.aspx? 下载一些 HTML 页面ID= ID 来自不同数字的数组。

我有兴趣访问此 URL 的多个实例并使用不同的代理 IP/端口将文件保存为 [ID].HTML。

我想使用不同的用户代理，并且我想随机化每次下载之前的等待时间。

这样做的最佳方法是什么？ urllib2？ pycURL？卷曲？对于手头的任务，你更喜欢什么？

请指教。谢谢你们！

Answer 1

使用类似的东西：

import urllib2
import time
import random

MAX_WAIT = 5
ids = ...
agents = ...
proxies = ...

for id in ids:
    url = 'http://abc.com/view_page.aspx?ID=%d' % id
    opener = urllib2.build_opener(urllib2.ProxyHandler({'http' : proxies[0]}))
    html = opener.open(urllib2.Request(url, None, {'User-agent': agents[0]})).read()
    open('%d.html' % id, 'w').write(html)
    agents.append(agents.pop()) # cycle
    proxies.append(proxies.pop())
    time.sleep(MAX_WAIT*random.random())

Answer 2

使用unix工具wget。它可以选择指定自定义用户代理和每次页面检索之间的延迟。

您可以查看 wget(1) 手册页以获取更多信息。

Answer 3

如果您不想使用开放代理，请查看 ProxyMesh，它可以为您进行 IP 轮换/随机化。