Python搭建自己IP代理池的方法实现
算力鬼才信 人气:0IP代理是什么:
ip就是访问网页数据服务器位置信息,每一个主机或者网络都有一个自己IP信息
为什么要使用代理ip:
因为在向互联网发送请求中,网页端会识别客户端是真实用户还是爬虫程序,在今天以互联网为主导的世界中,数据一种资源,谁能得到更多有效的数据,谁就能在今天互联网世界斗争中获得先机,所以网页是不愿意把数据作为开源分享给其他互联网运营公司的,它会创造出许许多多的反制措施来避免自己的数据被其他竞争对手(或利益相关的其他服务商),但又不得不为了创造更高的经济价值,来以非常有限的隧道中让正常真实用户访问它的网页,所以IP作为访问者的唯一标识,自然而然成为互联网公司鉴别真实非爬虫用户的一种手段。
如果你设置的程序访问时间过快(行为异常)超过了正常人访问的时间(行为),被访问的网页就会判定你是一个爬虫程序,对你的IP进行封禁(一般为5-15分钟,不会超过12小时)。
所以作为爬虫工作者为了获取互联网中的数据,通过以更换ip的方式来再一次访问该网页。
因此由于市场需求,网络上出现许多以”为爬虫工作者提供ip地址“的互联网公司。
这类互联网公司为爬虫职业学习者,提供了一些免费IP信息以供学习,在真实项目获取免费IP信息的方式是不被建议的,作者期望你能通过付费的方式来获取更多高质量的IP资源。
作者作为python爬虫初学者赖给大家讲述一下,如何搭建自己IP代理池,IP代理池听名闻义,其实就是装载了许许多多的高质量IP资源,以供学习者和工作人员及时的更换IP避免对项目产生不可挽回的损失。
作为爬虫学习者,我们应该较其他行业人员应具有爬虫技术,通过爬虫来获取更多IP数据。
对IP代理提供商发起访问请求:(本次IP资源的提供商为:”云代理“)
import time import requests import parsel #新建一个列表用来存储完整ip数据 proxies_list = [] for page in range(1,8): print(f"===========正在爬取第{page}====================") time.sleep(1) url = 'http://www.ip3366.net/free/?stype=1&page={page_turn}'.format(page_turn=page) #服务器获取数据 #浏览器的身份标识 headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36' } response = requests.get(url=url,headers=headers) #指定一个编码 = 获取一个编码 response.encoding = response.apparent_encoding html_data = response.text
将web服务器返回页面数据进行解析:本次采用xpath解析
#3.数据解析 使用xpath 方法,xpath专门用于解析html页面 selector = parsel.Selector(html_data) #转换数据类型 # print(selector) trs = selector.xpath('//table/tbody/tr') # print(trs) #将拼接好的完整地址保存在一个名为proxies_list的列表中 #遍历每一个tr标签 for tr in trs: ip = tr.xpath('./td[1]/text()').get() adr = tr.xpath('./td[2]/text()').get() # print(ip,adr)
将获取的数据拼接起来:因为完整ip地址需要加上 http:// 或者 https://
proxies_dict = { #字符串的拼接 "http":"http://"+ip+":"+adr, "https":"https://"+ip+":"+adr, }
将获取的完整的IP信息存储起来
proxies_list.append(proxies_dict)
第二大部分:将获取到IP数据检测一下是否可用,避免在爬虫项目中项目浪费太多的时间,来检测ip的可用性。
免费IP几乎百分之九十不可用,所以作为爬虫工作者建议你购买付费数据
定义一个函数用来检测数据是否可用:
def check_ip(proxies_list): """ 代理检测""" #将高质量可用代理存储起来 can_user= [] for proxie in proxies_list: #发送一个请求以便得到该代理的状态码 try: response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2) if response.status_code == 200: #如果该IP访问百度后,返回的状态码为200时,说明该地阿里可以使用 #将该代理保存起来 can_user.append(proxie) except: print('当前代理:',proxie,'请求时间过长不可用') #如果代理可用则执行else中的语句 else: print('当前代理:', proxie, '可以使用') return can_user
这里我要说的重点是:
response.status_code == 200
通过向特定的网页发起get请求,以返回状态码来检测该IP数据是否正常可用,如果在有限的时间中它返回的状态码为200说明该IP数据是正常可用的。
通过方法的调用来让该检测代码段运行起来:
can_user = check_ip(proxies_list) print('可以使用的代理:',can_user) print('可以使用的代理数量为:',len(can_user))
这里我要说的是:通过check_ip()方法调用并且向该方法传递一个参数”proxies_list“,该参数是我们定义的用来存储在ip提供商那里爬取全部IP数据,通过调用该方法,并且将未进行识别的ip数据传入。让检测程序代码段运行起来,获取可供使用IP数据
文章的最后,我要说的是,希望大家能感激每一位资源的提供者,只有消费才会产生价值,带动市场,我们应该尊重劳动者的辛苦劳作。
完整代码段:
#建立步骤: ''' 爬取提供免费代理的网站数据(ip地址 端口号,地址信息) 1.寻找数据地址 2.发送请求 3.需要的数据(页面解析保存下来),或者不需要的数据(剔除) 4.需要的数据保存(IP地址,端口,拼接https://) ''' import time import requests # 安装parsel时报错,经过排查应该是镜像源的问题(网络上说是尽量使用国内镜像源,国外网速不行,我使用的就是阿里云的镜像)应该是阿里云的镜像不行,我换了一个豆瓣的镜像源 #具体使用办法在安装包的后面添加上,通过那个镜像源:pip install parsel -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com 把”库包名“换成你要安装的包的名称即可; import parsel #使用代理: #定义一个函数: def check_ip(proxies_list): """ 代理检测""" #将高质量可用代理存储起来 can_user= [] for proxie in proxies_list: #发送一个请求以便得到该代理的状态码 try: response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2) if response.status_code == 200: #如果该IP访问百度后,返回的状态码为200时,说明该地阿里可以使用 #将该代理保存起来 can_user.append(proxie) except: print('当前代理:',proxie,'请求时间过长不可用') #如果代理可用则执行else中的语句 else: print('当前代理:', proxie, '可以使用') return can_user #1.寻找数据的地址 proxies_list = [] for page in range(1,8): print(f"===========正在爬取第{page}====================") time.sleep(1) url = 'http://www.ip3366.net/free/?stype=1&page={page_turn}'.format(page_turn=page) #服务器获取数据 #浏览器的身份标识 headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36' } response = requests.get(url=url,headers=headers) #指定一个编码 = 获取一个编码 response.encoding = response.apparent_encoding html_data = response.text #3.数据解析 使用xpath 方法,xpath专门用于解析html页面 selector = parsel.Selector(html_data) #转换数据类型 # print(selector) trs = selector.xpath('//table/tbody/tr') # print(trs) #将拼接好的完整地址保存在一个名为proxies_list的列表中 #遍历每一个tr标签 for tr in trs: ip = tr.xpath('./td[1]/text()').get() adr = tr.xpath('./td[2]/text()').get() # print(ip,adr) proxies_dict = { #字符串的拼接 "http":"http://"+ip+":"+adr, "https":"https://"+ip+":"+adr, } proxies_list.append(proxies_dict) print('获取成功',proxies_dict) #break 次break是为了检测第一页数据返回是否正常,其实我获取的所有免费代理 print(proxies_list) print('获取的代理数据为:',len(proxies_list)) # proxies_list.append(proxies_dict) print('==========================正在检测代理======================') can_user = check_ip(proxies_list) print('可以使用的代理:',can_user) print('可以使用的代理数量为:',len(can_user))
加载全部内容