当前位置：首页 > web >正文

解决爬虫IP限制：Selenium隧道代理完整解决方案

web 2025/9/8 3:48:31

作为一名程序员，你是否曾遇到过爬虫IP被频繁封禁的困扰？在日常数据采集任务中，我们常常需要面对网站的反爬机制。使用Selenium配合隧道代理成为了一种有效的解决方案。本文将手把手教你如何搭建稳定的爬虫系统，让你的数据采集工作更加高效顺畅，不再为IP限制而烦恼。

在这里插入图片描述

下面是一个使用Selenium配合隧道代理进行网页爬取的完整示例代码。这里以Chrome浏览器为例，使用Python语言实现。

安装必要库

pip install selenium

完整代码

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
import time
import logging# 设置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')class SeleniumProxyCrawler:def __init__(self, proxy_url):"""初始化爬虫Args:proxy_url: 隧道代理URL，格式为 http://username:password@proxy_ip:proxy_port"""self.proxy_url = proxy_urlself.driver = Nonedef setup_driver(self):"""设置Chrome浏览器选项并初始化驱动"""chrome_options = Options()# 添加代理设置chrome_options.add_argument(f'--proxy-server={self.proxy_url}')# 可选：无头模式（不显示浏览器界面）# chrome_options.add_argument('--headless')# 其他常用选项chrome_options.add_argument('--no-sandbox')chrome_options.add_argument('--disable-dev-shm-usage')chrome_options.add_argument('--disable-gpu')chrome_options.add_argument('--window-size=1920,1080')chrome_options.add_argument('--disable-blink-features=AutomationControlled')# 排除自动化测试提示chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"])chrome_options.add_experimental_option('useAutomationExtension', False)# 初始化WebDrivertry:self.driver = webdriver.Chrome(options=chrome_options)# 修改webdriver值以防被检测self.driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})")except Exception as e:logging.error(f"初始化WebDriver失败: {e}")raisedef crawl_page(self, url, wait_element=None, timeout=10):"""爬取指定页面Args:url: 目标URLwait_element: 等待的元素选择器（可选）timeout: 超时时间（秒）Returns:page_source: 页面源代码"""if not self.driver:self.setup_driver()try:# 访问页面logging.info(f"正在访问: {url}")self.driver.get(url)# 如果需要等待特定元素加载if wait_element:try:WebDriverWait(self.driver, timeout).until(EC.presence_of_element_located((By.CSS_SELECTOR, wait_element)))logging.info("目标元素已加载完成")except TimeoutException:logging.warning("等待元素超时，继续执行")# 获取页面内容page_source = self.driver.page_sourcelogging.info("页面获取成功")return page_sourceexcept Exception as e:logging.error(f"爬取页面时发生错误: {e}")return Nonedef extract_data(self, page_source, extract_rules):"""从页面源代码中提取数据（示例函数）Args:page_source: 页面源代码extract_rules: 提取规则字典Returns:提取的数据"""# 这里可以添加具体的解析逻辑# 可以使用BeautifulSoup、lxml等库进行解析# 这里只是一个示例from bs4 import BeautifulSoupsoup = BeautifulSoup(page_source, 'html.parser')extracted_data = {}for key, selector in extract_rules.items():elements = soup.select(selector)extracted_data[key] = [elem.get_text(strip=True) for elem in elements]return extracted_datadef take_screenshot(self, filename='screenshot.png'):"""截取当前页面截图"""try:self.driver.save_screenshot(filename)logging.info(f"截图已保存为: {filename}")except Exception as e:logging.error(f"截图失败: {e}")def close(self):"""关闭浏览器"""if self.driver:self.driver.quit()logging.info("浏览器已关闭")def __enter__(self):"""上下文管理器入口"""return selfdef __exit__(self, exc_type, exc_val, exc_tb):"""上下文管理器出口"""self.close()# 使用示例
def main():# 隧道代理配置（请替换为实际的代理信息）# 格式: http://用户名:密码@代理服务器地址:端口proxy_url = "http://your_username:your_password@proxy.example.com:8080"# 目标URLtarget_url = "https://httpbin.org/ip"  # 这个网站会返回你的IP地址，用于测试代理是否生效# 创建爬虫实例crawler = SeleniumProxyCrawler(proxy_url)try:# 设置浏览器crawler.setup_driver()# 爬取页面page_source = crawler.crawl_page(target_url, wait_element="body",  # 等待body元素加载timeout=15)if page_source:# 打印页面内容（这里会显示代理IP）print("页面内容:")print(page_source[:1000])  # 只打印前1000个字符# 截图保存crawler.take_screenshot("proxy_test.png")# 示例：提取数据extract_rules = {"ip": "pre"  # 根据实际页面结构调整}data = crawler.extract_data(page_source, extract_rules)print("提取的数据:", data)except Exception as e:logging.error(f"主程序执行错误: {e}")finally:# 确保浏览器关闭crawler.close()# 异步爬取多个页面的示例
def batch_crawl_example():proxy_url = "http://your_username:your_password@proxy.example.com:8080"urls_to_crawl = ["https://httpbin.org/ip","https://httpbin.org/user-agent","https://httpbin.org/headers"]with SeleniumProxyCrawler(proxy_url) as crawler:for i, url in enumerate(urls_to_crawl):logging.info(f"正在爬取第 {i+1} 个URL: {url}")page_source = crawler.crawl_page(url, wait_element="body", timeout=10)if page_source:# 这里可以添加数据处理和保存逻辑print(f"URL {url} 的内容长度: {len(page_source)}")# 添加延迟，避免请求过于频繁time.sleep(2)if __name__ == "__main__":# 运行单个页面爬取示例main()# 运行批量爬取示例# batch_crawl_example()