Python爬虫之利用BeautifulSoup爬取豆瓣小说（一）——设置代理IP

自己写了一个爬虫爬取豆瓣小说，后来为了应对请求不到数据，增加了请求的头部信息headers，为了应对豆瓣服务器的反爬虫机制：防止请求频率过快而造成“403 forbidden”，乃至封禁本机ip的情况，而设置了代理ip，详细请见代码和注释。

爬取豆瓣小说的链接：https://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/book?start=0

获取免费代理ip的网站：http://www.xicidaili.com/

 #-*-coding:utf-8-*-
 import urllib2
 from bs4 import BeautifulSoup
 import time
 import random

 class dbxs:

     def __init__(self):
         self.pageIndex = 0
         self.enable = True

     #获取html页面的内容
     def getPage(self, pageIndex):
         try:
             #设置代理ip
             enable_proxy = True
             #Openers使用处理器Handlers，所有的“繁重”工作由Handlers处理，每个handlers知道如何通过特定协议打开URLs，或者如何处理URL打开时的各个方面
             #在你使用代理上网或其他的情况就需要自己创建一个opener，可以实例化一个OpenerDirector,然后调用.add_handler(some_handler_instance)
             #也可使用build_opener，这是一个更加方便的函数，用来创建opener对象，它只需要一次函数调用
             proxy_handler = urllib2.ProxyHandler({'Http': '113.118.170.230:808'})
             null_proxy_handler = urllib2.ProxyHandler({})
             if enable_proxy:
             #当你获取一个URL你要使用一个opener，默认情况下opener是urlopen，但urllib2.urlopen()不支持验证、cookie或者其他Http高级功能
             #要支持这些功能，必须使用build_opener()创建自定义opener对象，build_opener([handler1 [handler2,...]])，参数handler是Handlers的实例，常用的有HTTPBasicAuthHandler、HTTPCookieProcessor、ProxyHandler
                 opener = urllib2.build_opener(proxy_handler)
             else:
                 opener = urllib2.build_opener(null_proxy_handler)
             urllib2.install_opener(opener)   #install_opener用来创建（全局）默认opener，这个表示调用urlopen将使用你安装的opener
             #获得页面响应的内容
             url = 'https://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/book' + "?start=" + str(pageIndex)
             #设置请求头部信息，模拟浏览器的行为
             my_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0)'}
             request =   urllib2.Request(url, headers = my_headers)
             response = urllib2.urlopen(request)
             return response.read()

             #另外一种随机设置请求头部信息的方法
             #my_headers =['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0)', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)', 'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0)']
             #header = random.choice(my_headers)    #random.choice()可以从任何序列，比如list列表中，选取一个随机的元素返回，可以用于字符串、列表、元组
             #request = urllib2.Request(url, headers = {'User-Agent': header})
         except urllib2.URLError, e:
             if hasattr(e, "code"):
                 print e.code
             if hasattr(e, "reason"):
                 print e.reason
                 return None

     #过滤查找这一页的小说名字，信息和评分
     def getContent(self, pageIndex):
         pageCode = self.getPage(pageIndex)
         soup = BeautifulSoup(pageCode, 'html.parser')
         #在获得相应的内容中找出所有标签为<dd>的内容（里面包含了我们需要的小说信息）
         contents = soup.find_all('dd')
         #如果contents为真，能够获取到包含<dd>标签的内容，什么情况获取不到？我们发现豆瓣小说21页之后的所有页面里都不包含<dd>标签，我们应该停止打印
         if contents:
         #item为包含小说信息的每一页的内容
             for item in contents:
                 title = item.find(class_ = 'title').string
                 info = item.find(class_ = 'desc').string.strip()
                 rate = item.find(class_ = 'rating_nums')
                 #通过试验，我们发现某一页可能存在小说没有评分，如果我们不判断rate，那么可能就出现报错
                 if rate:
                     rates = rate.string
                     print u"%s\n%s\n评分:%s\n" %(title, info, rates)
                 #对于小说没有评分的内容，我们只打印小说名字，信息
                 else:
                     print u"%s\n%s\n" %(title, info)
         #如果页面不包含<dd>标签，我们应该停止
         else:
             print u"所有页面已加载完"
             self.enable = False

         return contents

     #创建一个开始方法
     def start(self):
         #打印第一页，此时self.pageIndex = 0，初始化时设置了
         #设置页码x = 1
         x = 1
         #我们观察发现，第二页的pageIndex - 第一页的 = 第一页的小说的个数
         #我们执行self.getContent的同时，获取了第一页的小说的个数
         page_num = len(self.getContent(self.pageIndex))
         print u"第%s页" %x

         #利用self.enable控制下一页的打印
         while self.enable == True:
             #设置下一页的pageIndex
             self.pageIndex += page_num
             #页码+1
             x += 1
             #time.sleep(1)    #可以利用time模块来设置sleep时间
             #再次调用self.getContent的同时，获取当前页的小说的个数
             page_num = len(self.getContent(self.pageIndex))
             #在self.getContent中，如果不能获取到<dd>的内容，self.enable将会改为False，如果我们不加self.enable判断，仍会打印不存在小说信息的页码 　　　　　　　　　 if self.enable == True: 99             　　print u"第%s页" %x

 DBXS = dbxs()
 DBXS.start()