文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

Python搭建自己IP代理池的方法实现

2023-02-13 09:00

关注

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))

到此这篇关于Python搭建自己IP代理池的方法实现的文章就介绍到这了,更多相关Python搭建IP代理池内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网!

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯