Python搭建代理IP池实现获取IP的方法

Python  /  管理员 发布于 7年前   179

使用爬虫时，大部分网站都有一定的反爬措施，有些网站会限制每个 IP 的访问速度或访问次数，超出了它的限制你的 IP 就会被封掉。对于访问速度的处理比较简单，只要间隔一段时间爬取一次就行了，避免频繁访问；而对于访问次数，就需要使用代理 IP 来帮忙了，使用多个代理 IP 轮换着去访问目标网址可以有效地解决问题。

目前网上有很多的代理服务网站提供代理服务，也提供一些免费的代理，但可用性较差，如果需求较高可以购买付费代理，可用性较好。

因此我们可以自己构建代理池，从各种代理服务网站中获取代理 IP，并检测其可用性（使用一个稳定的网址来检测，最好是自己将要爬取的网站），再保存到数据库中，需要使用的时候再调用。

代码地址：https://github.com/Stevengz/Proxy_pool

另外三篇：
Python搭建代理IP池（二）- 存储 IP
Python搭建代理IP池（三）- 检测 IP
Python搭建代理IP池（四）- 接口设置与整体调度

本文介绍的则是构建代理 IP 池的第一步：获取 IP

使用的库：requests、pyquery

几个能提供免费代理的代理服务网站（排名不分先后）：

厂商名称	地址
66代理	http://www.66ip.cn/
西刺代理	https://www.xicidaili.com
全网代理	http://www.goubanjia.com
云代理	http://www.ip3366.net
IP海	http://www.iphai.com
快代理	https://www.kuaidaili.com
免费代理IP库	http://ip.jiangxianli.com

代理服务网站 Crawler

代理获取的相关代码，把从每个网站提取 IP 的方法都放到一起，然后运行时只要调用相关方法即可

为了实现灵活，将获取代理的一个个方法统一定义一个规范，如统一定义以 crawl 开头，这样扩展的时候只需要添加 crawl 开头的方法即可

在这里实现了几个示例，如抓取代理 66、西刺代理、云代理、快代理 四个免费代理网站，这些方法都定义成生成器，通过 yield 返回。首先将网页获取，然后用 PyQuery 解析，解析出 IP 加端口形式的代理再返回

crawler.py

import jsonimport refrom utils import get_pagefrom pyquery import PyQuery as pq# 元类class ProxyMetaclass(type): def __new__(cls, name, bases, attrs):  count = 0  attrs['__CrawlFunc__'] = []  for k, v in attrs.items():   if 'crawl_' in k:    attrs['__CrawlFunc__'].append(k)    count += 1  attrs['__CrawlFuncCount__'] = count  return type.__new__(cls, name, bases, attrs)class Crawler(object, metaclass=ProxyMetaclass): def get_proxies(self, callback):  proxies = []  for proxy in eval("self.{}()".format(callback)):   print('成功获取到代理', proxy)   proxies.append(proxy)  return proxies def crawl_daili66(self, page_count=4):  start_url = 'http://www.66ip.cn/{}.html'  urls = [start_url.format(page) for page in range(1, page_count + 1)]  for url in urls:   print('Crawling', url)   html = get_page(url)   if html:    doc = pq(html)    trs = doc('.containerbox table tr:gt(0)').items()    for tr in trs:     ip = tr.find('td:nth-child(1)').text()     port = tr.find('td:nth-child(2)').text()     yield ':'.join([ip, port]) def crawl_xicidaili(self):  for i in range(1, 3):   start_url = 'http://www.xicidaili.com/nn/{}'.format(i)   headers = {    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',    'Host':'www.xicidaili.com',    'Referer':'http://www.xicidaili.com/nn/3',    'Upgrade-Insecure-Requests':'1',   }   html = get_page(start_url, options=headers)   if html:    find_trs = re.compile('<tr class.*?>(.*?)</tr>', re.S)    trs = find_trs.findall(html)    for tr in trs:     find_ip = re.compile('<td>(\d+\.\d+\.\d+\.\d+)</td>')      re_ip_address = find_ip.findall(tr)     find_port = re.compile('<td>(\d+)</td>')     re_port = find_port.findall(tr)     for address,port in zip(re_ip_address, re_port):      address_port = address+':'+port      yield address_port.replace(' ','') def crawl_ip3366(self):  for i in range(1, 4):   start_url = 'http://www.ip3366.net/?stype=1&page={}'.format(i)   html = get_page(start_url)   if html:    find_tr = re.compile('<tr>(.*?)</tr>', re.S)    trs = find_tr.findall(html)    for s in range(1, len(trs)):     find_ip = re.compile('<td>(\d+\.\d+\.\d+\.\d+)</td>')     re_ip_address = find_ip.findall(trs[s])     find_port = re.compile('<td>(\d+)</td>')     re_port = find_port.findall(trs[s])     for address,port in zip(re_ip_address, re_port):      address_port = address+':'+port      yield address_port.replace(' ','') def crawl_kuaidaili(self):  for i in range(1, 4):   start_url = 'http://www.kuaidaili.com/free/inha/{}/'.format(i)   html = get_page(start_url)   if html:    ip_address = re.compile('<td data-title="IP">(.*?)</td>')     re_ip_address = ip_address.findall(html)    port = re.compile('<td data-title="PORT">(.*?)</td>')    re_port = port.findall(html)    for address,port in zip(re_ip_address, re_port):     address_port = address+':'+port     yield address_port.replace(' ','')

定义了一个 ProxyMetaclass，Crawl 类将它设置为元类，元类中实现了 new() 方法，遍历 attrs 变量即可获取类的所有方法信息，判断方法名前面是否是 crawl，是则将其加入到 CrawlFunc 属性中

代理网站的添加非常灵活，不仅可以添加免费代理，也可以添加付费代理，一些付费代理的提取方式类似，也通过 Web 的形式获取再进行解析，解析方式可能更加简单，如解析纯文本或 Json，解析之后以同样的方式返回，可以自行扩展

utils.py

import requestsfrom requests.exceptions import ConnectionErrorbase_headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36', 'Accept-Encoding': 'gzip, deflate, sdch', 'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'}def get_page(url, options={}): headers = dict(base_headers, **options) print('正在抓取', url) try:  response = requests.get(url, headers=headers)  print('抓取成功', url, response.status_code)  if response.status_code == 200:   return response.text except ConnectionError:  print('抓取失败', url)  return None

抓取网页内容的方法，访问链接成功后返回整个网页 HTML 内容，便于后续对网页具体内容的提取。封装成一个方法，让上面的 crawler 在抓取各个网站时调用

进行抓取

getter.py

from crawler import Crawlerfrom setting import *import sysclass Getter(): def __init__(self):  self.crawler = Crawler()  def run(self):  print('获取器开始执行')  for callback_label in range(self.crawler.__CrawlFuncCount__):   callback = self.crawler.__CrawlFunc__[callback_label]   # 获取代理   all_ip = self.crawler.get_proxies(callback)if __name__ == '__main__': get = Getter() get.run()

运行结果：

网站上的免费 IP 就被成功抓取下来了，至于能不能用，就有待验证了

整个过程其实就是一个普通的爬虫，而且没什么反爬措施，能到用代理 IP 的地步，代码里面的访问、抓取部分的细节应该都看得懂

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。