python爬虫是指使用Python编写的程序，通过网络爬取信息并提取有效数据。它通过模拟浏览器请求，获取网页数据，并通过解析HTML/XML等文档结构，从中提取数据。

Python爬虫常用的库和工具包括：

1. Requests：用于发送HTTP请求和获取网页数据。
2. BeautifulSoup：用于解析HTML/XML文档，提取数据。
3. Scrapy：基于Twisted框架的爬虫框架，可以快速高效地爬取大规模数据。
4. Selenium：用于模拟浏览器操作，处理JavaScript渲染的网页。
5. PyQuery：基于jQuery语法的解析库，可以快速方便地提取数据。

 

Python爬虫可以使用代理IP来解决被封IP的问题，以及提高爬取效率。以下是使用代理IP的Python爬虫案例：

   1.使用requests库和代理IP爬取网页内容

import requests

proxy = {
    'http': 'http://111.230.132.75:3128',
    'https': 'http://111.230.132.75:3128'
}

url = 'https://www.baidu.com'
response = requests.get(url, proxies=proxy)
print(response.content)

    2.使用Scrapy和代理IP爬取网页内容

在Scrapy的settings.py文件中设置代理IP：

DOWNLOADER_MIDDLEWARES = {
   'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
   'myproject.middlewares.ProxyMiddleware': 100,
}

在middlewares.py文件中实现代理IP中间件：

import random

class ProxyMiddleware(object):
    def process_request(self, request, spider):
        proxy = self.get_random_proxy()
        request.meta['proxy'] = proxy

    def get_random_proxy(self):
        proxy_list = [
            'http://111.230.132.75:3128',
            'http://118.24.172.165:8118',
            'http://58.218.92.147:8777',
            # ...
        ]
        return random.choice(proxy_list)

    3.使用pycurl和代理IP爬取网页内容

import pycurl

proxy = 'http://111.230.132.75:3128'
url = 'http://www.example.com'

c = pycurl.Curl()
c.setopt(pycurl.URL, url)
c.setopt(pycurl.PROXY, proxy)
c.setopt(pycurl.USERAGENT, 'Mozilla/5.0')
c.setopt(pycurl.FOLLOWLOCATION, True)
c.setopt(pycurl.MAXREDIRS, 5)
c.setopt(pycurl.CONNECTTIMEOUT, 30)
c.setopt(pycurl.TIMEOUT, 300)
c.setopt(pycurl.NOPROGRESS, False)
c.setopt(pycurl.FAILONERROR, True)

buf = StringIO()
c.setopt(pycurl.WRITEFUNCTION, buf.write)
c.perform()
print(buf.getvalue())

4.使用Selenium和代理IP爬取网页内容

from selenium import webdriver
from selenium.webdriver.common.proxy import Proxy, ProxyType

proxy = Proxy({
    'proxyType': ProxyType.MANUAL,
    'httpProxy': '111.230.132.75:3128',
    'ftpProxy': '111.230.132.75:3128',
    'sslProxy': '111.230.132.75:3128',
    'noProxy': ''
})

options = webdriver.ChromeOptions()
options.add_argument('--proxy-server=%s' % proxy.proxy)

driver = webdriver.Chrome(chrome_options=options)
driver.get('http://www.example.com')
print(driver.page_source)

总结

以上是使用代理IP的Python爬虫案例，能够帮助我们更好地爬取网页内容。需要注意的是，在使用代理IP时要选择稳定可靠的代理IP，否则会影响爬取效率。