1. 背景
在使用selenium瀏覽器渲染技術,爬取網站信息時,一般來說,速度是很慢的。而且一般需要用到這種技術爬取的網站,反爬技術都比較厲害,對IP的訪問頻率應該有相當的限制。所以,如果想提升selenium抓取數據的速度,可以從兩個方面出發:第一,提高抓取頻率,出現驗證信息時進行破解,一般是驗證碼或者用戶登錄。
第二,使用多線程 + 代理IP, 這種方式,需要電腦有足夠的內存和充足穩定的代理IP 。
2. 爲chrome設置代理IP
from selenium import webdriver
chromeOptions = webdriver.ChromeOptions()
# 設置代理
chromeOptions.add_argument("--proxy-server=http://202.20.16.82:10152")
# 一定要注意,=兩邊不能有空格,不能是這樣--proxy-server = http://202.20.16.82:10152
browser = webdriver.Chrome(chrome_options = chromeOptions)
# 查看本機ip,查看代理是否起作用
browser.get("http://httpbin.org/ip")
print(browser.page_source)
# 退出,清除瀏覽器緩存
browser.quit()
注意事項:
第一,代理IP最好是穩定的固定IP,不要選動態IP。我們常用的爬蟲IP是高匿名動態IP,是通過撥號動態產生的,時效性很短,一般在1~3分鐘。對於scrapy這種併發度很高,又不需要登錄的爬蟲來說,非常合適,但是在瀏覽器渲染類爬蟲中並不適用。
第二,代理IP的速度。因爲selenium爬蟲採用的是瀏覽器渲染技術,本身速度就很慢。如果選擇的代理IP速度較慢,就會大大增加爬取的時間。
第三,電腦內存要夠大。因爲chrome佔內存較大,在併發度很高的情況下,容易造成瀏覽器崩潰,也就是程序崩潰。
第四,在程序結束時,調用 browser.quit( ) 清除瀏覽器緩存。
3. 需要用戶名密碼驗證的代理
參考文章:
Selenium chrome配置代理Python版:https://www.cnblogs.com/roystime/p/6935543.html
GitHub:https://github.com/RobinDev/Selenium-Chrome-HTTP-Private-Proxy