一、簡介

爬蟲中為什么需要使用代理

一些網站會有相應的反爬蟲措施，例如很多網站會檢測某一段時間某個IP的訪問次數，如果訪問頻率太快以至于看起來不像正常訪客，它可能就會禁止這個IP的訪問。所以我們需要設置一些代理IP，每隔一段時間換一個代理IP，就算IP被禁止，依然可以換個IP繼續爬取。

代理的分類：

正向代理：代理客戶端獲取數據。正向代理是為了保護客戶端防止被追究責任。

反向代理：代理服務器提供數據。反向代理是為了保護服務器或負責負載均衡。

匿名度：

- 透明：知道是代理ip，也會知道你的真實ip

- 匿名：知道是代理ip，不會知道你的真實ip

- 高匿：不知道是代理ip，不會知道你的真實ip

類型:

- http:只能請求http開頭的url

- https:只能請求https開頭的url

示例

import requests

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'

}

url = 'https://www.baidu.com/s?wd=ip'

# 不同的代理IP,代理ip的類型必須和請求url的協議頭保持一致

proxy_list = [

{"http": "112.115.57.20:3128"},

{'http': '121.41.171.223:3128'}

]

# 隨機獲取代理IP

proxy = random.choice(proxy_list)

page_text = requests.get(url=url,headers=headers,proxies=proxy).text

with open('ip.html','w',encoding='utf-8') as fp:

fp.write(page_text)

print('over!')

二、IP池

1、免費IP池

從西刺代理上面爬取IP，迭代測試能否使用，建立一個自己的代理IP池，隨時更新用來抓取網站數據

import requests

from lxml import etree

import time

import random

from fake_useragent import UserAgent

class GetProxyIP(object):

def __init__(self):

self.url = 'https://www.xicidaili.com/nn/'

self.proxies = {

'http': 'http://163.204.247.219:9999',

'https': 'http://163.204.247.219:9999'}

# 隨機生成User-Agent

def get_random_ua(self):

ua = UserAgent() # 創建User-Agent對象

useragent = ua.random

return useragent

# 從西刺代理網站上獲取隨機的代理IP

def get_ip_file(self, url):

headers = {'User-Agent': self.get_random_ua()}

html = requests.get(url=url, proxies=self.proxies, headers=headers, timeout=5).content.decode('utf-8', 'ignore')

parse_html = etree.HTML(html)

tr_list = parse_html.xpath('//tr') # 基準xpath，匹配每個代理IP的節點對象列表

for tr in tr_list[1:]:

ip = tr.xpath('./td[2]/text()')[0]

port = tr.xpath('./td[3]/text()')[0]

self.test_proxy_ip(ip, port) # 測試ip:port是否可用

# 測試抓取的代理IP是否可用

def test_proxy_ip(self, ip, port):

proxies = {

'http': 'http://{}:{}'.format(ip, port),

'https': 'https://{}:{}'.format(ip, port), }

test_url = 'http://www.baidu.com/'

try:

res = requests.get(url=test_url, proxies=proxies, timeout=8)

if res.status_code == 200:

print(ip, ":", port, 'Success')

with open('proxies.txt', 'a') as f:

f.write(ip + ':' + port + '\n')

except Exception as e:

print(ip, port, 'Failed')

def main(self):

for i in range(1, 1001):

url = self.url.format(i)

self.get_ip_file(url)

time.sleep(random.randint(5, 10))

if __name__ == '__main__':

spider = GetProxyIP()

spider.main()

從IP池中取IP，也就是在爬蟲程序中從文件隨機獲取代理IP

import random

import requests

class BaiduSpider(object):

def __init__(self):

self.url = 'http://www.baidu.com/'

self.headers = {'User-Agent': 'Mozilla/5.0'}

self.flag = 1

def get_proxies(self):

with open('proxies.txt', 'r') as f:

result = f.readlines() # 讀取所有行并返回列表

proxy_ip = random.choice(result)[:-1] # 獲取了所有代理IP

L = proxy_ip.split(':')

proxy_ip = {

'http': 'http://{}:{}'.format(L[0], L[1]),

'https': 'https://{}:{}'.format(L[0], L[1])

}

return proxy_ip

def get_html(self):

proxies = self.get_proxies()

if self.flag <= 3:

try:

html = requests.get(url=self.url, proxies=proxies, headers=self.headers, timeout=5).text

print(html)

except Exception as e:

print('Retry')

self.flag += 1

self.get_html()

if __name__ == '__main__':

spider = BaiduSpider()

spider.get_html()

2.收費代理API

寫一個獲取收費開放API代理的接口

import requests

from fake_useragent import UserAgent

ua = UserAgent() # 創建User-Agent對象

useragent = ua.random

headers = {'User-Agent': useragent}

def ip_test(ip):

url = 'http://www.baidu.com/'

ip_port = ip.split(':')

proxies = {

'http': 'http://{}:{}'.format(ip_port[0], ip_port[1]),

'https': 'https://{}:{}'.format(ip_port[0], ip_port[1]),

}

res = requests.get(url=url, headers=headers, proxies=proxies, timeout=5)

if res.status_code == 200:

return True

else:

return False

# 提取代理IP

def get_ip_list():

# 快代理：https://www.kuaidaili.com/doc/product/dps/

api_url = 'http://dev.kdlapi.com/api/getproxy/?orderid=946562662041898&num=100&protocol=1&method=2&an_an=1&an_ha=1&sep=2'

html = requests.get(api_url).content.decode('utf-8', 'ignore')

ip_port_list = html.split('\n')

for ip in ip_port_list:

with open('proxy_ip.txt', 'a') as f:

if ip_test(ip):

f.write(ip + '\n')

if __name__ == '__main__':

get_ip_list()

3.私密代理

1、語法結構

用戶名和密碼會在給API_URL的時候給。不是自己的賬號和賬號密碼。

proxies = {

'協議':'協議://用戶名:密碼@IP:端口號'

}

proxies = {

'http':'http://用戶名:密碼@IP:端口號',

'https':'https://用戶名:密碼@IP:端口號'

}

proxies = {

'http': 'http://309435365:szayclhp@106.75.71.140:16816',

'https':'https://309435365:szayclhp@106.75.71.140:16816',

}

# 獲取開放代理的接口

import requests

from fake_useragent import UserAgent

ua = UserAgent() # 創建User-Agent對象

useragent = ua.random

headers = {'User-Agent': useragent}

def ip_test(ip):

url = 'https://blog.csdn.net/qq_34218078/article/details/90901602/'

ip_port = ip.split(':')

proxies = {

'http': 'http://1786088386:b95djiha@{}:{}'.format(ip_port[0], ip_port[1]),

'https': 'http://1786088386:b95djiha@{}:{}'.format(ip_port[0], ip_port[1]),

}

res = requests.get(url=url, headers=headers, proxies=proxies, timeout=5)

if res.status_code == 200:

print("OK")

return True

else:

print(res.status_code)

print("錯誤")

return False

# 提取代理IP

def get_ip_list():

# 快代理：https://www.kuaidaili.com/doc/product/dps/

api_url = 'http://dps.kdlapi.com/api/getdps/?orderid=986603271748760&num=1000&signature=z4a5b2rpt062iejd6h7wvox16si0f7ct&pt=1&sep=2'

html = requests.get(api_url).content.decode('utf-8', 'ignore')

ip_port_list = html.split('\n')

for ip in ip_port_list:

with open('proxy_ip.txt', 'a') as f:

if ip_test(ip):

f.write(ip + '\n')

if __name__ == '__main__':

get_ip_list()

思路：

寫一個類；

get_ip() requests請求接口，得到ip和port；

test_ip() 請求某一網站，根據狀態碼或in判斷是否有某一內容來判斷此ip是否可用,返回Ture和False即可；

save_ip()測試成功后保存;

總結

以上是生活随笔為你收集整理的python通过ip池爬_Python爬虫 | IP池的使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。