Python搭建自己[IP代理池]

IP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))

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
心中带点小风骚的头像心中带点小风骚普通用户
上一篇 2023年3月11日
下一篇 2023年3月11日

相关推荐