搭建IP代理池：爬虫代理池
构建可靠的代理池服务，为数以千计的爬虫提供高效代理，确保每个爬虫都收到对应网站的正确代理IP，在公司内部进行分布式深网爬虫，保证爬虫快速可靠。 当然，公司内部的产品不能为了功能而开源。 但是在闲暇时间，我手痒痒，想利用一些开源工具来创建一个简单的代理池服务。
如何解决IP阻塞问题？
有以下几种方法：
- 更改请求头模仿浏览器（而不是直接访问代码）访问
- 使用代理并旋转它们
- 配置访问间隔
获取代理的IP地址
- 购买一个网站：做研究
- 检查 -> 鼠标位置：
- 代码如下，将要获取的代理IP地址存放在proxy ip列表中。 它是 class = “odd” 标签内容的一部分。
from bs4 import BeautifulSoup
import requests
import time
def open_proxy_url(url):
user_agent = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36’
headers = {
‘User-Agent’: user_agent}
try:
r = requests.get(url, headers = headers, timeout = 20)
r.raise_for_status()
r.encoding = r.apparent_encoding
return(r.text)
except:
print(‘无法访问网页’ + url)
def get_proxy_ip(response):
proxy_ip_list = []
soup = BeautifulSoup(response, ‘html.parser’)
proxy_ips = soup.select(‘.odd’)#选择标签
for proxy_ip in proxy_ips:
ip = proxy_ip.select(‘td’)[1].text
port = proxy_ip.select(‘td’)[2].text
protocol = proxy_ip.select(‘td’)[5].text
if protocol in (‘HTTP’,’HTTPS’):
proxy_ip_list.append(f'{protocol}://{ip}:{port}’)
return proxy_ip_list
if __name__ == ‘__main__’:
proxy_url = ‘https://www.xicidaili.com/’
text = open_proxy_url(proxy_url)
proxy_ip_filename = ‘proxy_ip.txt’
with open(proxy_ip_filename, ‘w’) as f:
f.write(text)
text = open(proxy_ip_filename, ‘r’).read()
proxy_ip_list = get_proxy_ip(text)
print(proxy_ip_list)
[‘HTTPS://183.195.106.118:8118’, ‘HTTPS://223.68.190.130:8181’, ‘HTTPS://110.189.152.86:52277’, ‘HTTPS://27.184.157.205:8118’, ‘HTTP://202.107.233.123:8090’, ‘HTTP://211.159.219.225:8118’, ‘HTTPS://115.29.108.117:8118’, ‘HTTPS://183.250.255.86:63000’, ‘HTTP://111.222.141.127:8118’, ‘HTTP://117.94.213.119:8118’, ‘HTTPS://125.123.139.19:9000’, ‘HTTP://122.225.45.66:43391’, ‘HTTP://163.125.113.249:8088’, ‘HTTP://14.20.235.73:808’, ‘HTTP://123.163.24.113:3128’,
获取以下信息：
获取到代理IP地址后，发现少了很多信息。 仔细查看元素，发现有些元素不是class=”odd”，但是…，这些数据不是用class=”odd”的结果得到的，odd，但是没有class=”odd” ,, “是偶数的结果。
使用 bs4 的 find all(‘tr’) 查找所有 IP 地址：
def get_proxy_ip(response):
proxy_ip_list = []
soup = BeautifulSoup(response, ‘html.parser’)
proxy_ips = soup.find(id = ‘ip_list’).find_all(‘tr’)
for proxy_ip in proxy_ips:
if len(proxy_ip.select(‘td’)) >=8:
ip = proxy_ip.select(‘td’)[1].text
port = proxy_ip.select(‘td’)[2].text
protocol = proxy_ip.select(‘td’)[5].text
if protocol in (‘HTTP’,’HTTPS’,’http’,’https’):
proxy_ip_list.append(f'{protocol}://{ip}:{port}’)
return proxy_ip_list
使用代理
- 代理采用字典格式：
- {‘http’: ‘http://IP:port’,’https’:’https://IP:port’}
- 只需将它传递到 requests get 方法中。
- web_data = requests.get
- (url, headers=headers, proxies=proxies)
def open_url_using_proxy(url, proxy):
user_agent = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36’
headers = {
‘User-Agent’: user_agent}
proxies = {
}
if proxy.startswith((‘HTTPS’,’https’)):
proxies[‘https’] = proxy
else:
proxies[‘http’] = proxy
try:
r = requests.get(url, headers = headers, proxies = proxies, timeout = 10)
r.raise_for_status()
r.encoding = r.apparent_encoding
return (r.text, r.status_code)
except:
print(‘无法访问网页’ + url)
print(‘无效代理IP: ‘ + proxy)
return False
验证代理 IP 地址的真实性
我们应该确认一下代理IP地址真实性。 一旦有效，将其添加到我们的代理 IP 地址池中。 使用的技术如下： 访问该网站以接收 200 返回码。 亲自访问一些网站，查看标题等，确保标题与您的预期相符。 通过访问各种可以返回所访问IP的网站，如“查询我的IP”网站，查看返回的IP地址。 检查返回代码。
def check_proxy_avaliability(proxy):
url = ‘http://www.baidu.com’
result = open_url_using_proxy(url, proxy)
VALID_PROXY = False
if result:
text, status_code = result
if status_code == 200:
print(‘有效代理IP: ‘ + proxy)
else:
print(‘无效代理IP: ‘ + proxy)
增强功能：验证网站的标题
def check_proxy_avaliability(proxy):
url = ‘http://www.baidu.com’
text, status_code = open_url_using_proxy(url, proxy)
VALID = False
if status_code == 200:
if r_title:
if r_title[0] == ‘<title>百度一下，你就知道</title>’:
VALID = True
if VALID:
print(‘有效代理IP: ‘ + proxy)
else:
print(‘无效代理IP: ‘ + proxy)
关于 HTTP 和 HTTPS 代理
- 如您所见，代理有两个键值对：
- “http”: “http://IP:端口” “https”: “https://IP:端口”
- 其中之一是 HTTP 代理，它只适用于 HTTP 网站，对 HTTPS 网站使用本地 IP，反之亦然。
- 由于我刚刚使用的验证域是https://jsonip.com，如果找到合法代理，则为HTTPS网站，如果是HTTPS代理，则返回代理地址。
- 如果它是 HTTP 代理，它将通过本地 IP 访问并返回我的公共 IP 地址。