前言

寫爬蟲的小伙伴可能遇到過這種情況：

正當(dāng)悠閑地喝著咖啡，滿意地看著屏幕上的那一行行如流水般被爬下來的數(shù)據(jù)時，突然一個Error彈出，提示抓不到數(shù)據(jù)了...

然后你反復(fù)檢查，確信自己代碼莫得問題之后，發(fā)現(xiàn)居然連瀏覽器也無法正常訪問網(wǎng)頁了...

難道是網(wǎng)站被我爬癱瘓了？

然后你用手機(jī)瀏覽所爬網(wǎng)站，驚奇地發(fā)現(xiàn)居然能訪問!

才原來我的IP被網(wǎng)站給封了，拒絕了我的訪問

這時只能用IP代理來應(yīng)對禁IP反爬策略了，但是網(wǎng)上高速穩(wěn)定的代理IP大多都收費(fèi)，看了看皺皺的錢包后，一個大膽的想法冒出

我要白嫖！

啥是IP代理？假如你現(xiàn)在17歲未成年，理想一點(diǎn)的情況會是，你去商店買煙，老板告訴你未成年不能買煙，并拒絕了你的購買，這叫被服務(wù)器拒絕訪問;

但是你不服氣啊，于是你找來你20歲的哥哥，叫他去商店老板那幫你買包煙，然后再給你，這就叫IP代理。

ProxyBroker簡介

ProxyBroker是一個開源軟件，它從各種不同的IP代理網(wǎng)站中抓來公開的代理IP，并實時地檢查代理IP的可用性，以供使用。

所以可以說ProxyBroker是一個集成了爬蟲技術(shù)的開源軟件。

ProxyBroker安裝

你可以通過pip來安裝ProxyBroker

pip install proxybroker

也可以直接從Github下載最新版本的ProxyBroker

pip install -U git+https://github.com/constverum/ProxyBroker.git

在終端使用ProxyBroker

安裝成功后，你可以在終端中使用命令proxybroker

proxybroker主要有三個子命令

find子命令

find子命令用于查找并檢查公開的代理IP，換言之它會列出所有經(jīng)測試可用的代理IP

下列是find子命令的常用選項:

比如查找10條HTTP代理

proxybroker find --types HTTP -l 10

你可以將選項的示例值加上，自己嘗試一下

grab子命令

grab子命令有點(diǎn)像find的簡易版，它只進(jìn)行查找，并不檢查抓來IP的可用性

下列是grab子命令的所有選項:

可以看到它有的選項，find子命令都有，所以它是find的閹割版

比如查找5條來自中國的代理，并將它保存至文件中

proxybroker grab -c CN -o ./proxies.txt -l 5

serve子命令

serve子命令用于搭建一個本地代理服務(wù)器，它可以分發(fā)你的請求至不同的IP代理中

下列是serve子命令的常用選項:

serve子命令搭建代理服務(wù)器，相當(dāng)于把我們本機(jī)變成中間商再中間商

比如在地址為localhost，端口為5000，搭起高匿名代理服務(wù)器

proxybroker serve --host localhost --port 5000 --types HTTP --lvl High

然后先通過curl命令不使用代理訪問一下http://httpbin.org/get這個地址，查看一下該網(wǎng)站顯示我們的IP是多少

curl http://httpbin.org/get

再使用curl命令通過我們剛搭起的代理服務(wù)器訪問一下，看看網(wǎng)站顯示的IP是否有變化

curl --proxy http://localhost:5000 http://httpbin.org/get

在代碼中使用ProxyBroker

你可以通過proxybroker serve子命令搭起代理服務(wù)器，然后在發(fā)起請求時使用該代理，這種方法適用于幾乎所有的編程語言

requests庫使用代理

先serve搭起代理服務(wù)器

proxybroker serve --host localhost --port 5000 --types HTTP --lvl High

然后通過requests庫設(shè)置代理

import requests

proxies = {
  "http": "http://localhost:5000",
  "https": "http://localhost:5000"
}

res = requests.get('http://httpbin.org/get', proxies=proxies)

print(res.json())

效果如下

scrapy庫使用代理

還是先serve搭起代理服務(wù)器，代碼還是和上面一樣

在終端中，通過scrapy startproject新建一個爬蟲項目，然后進(jìn)入該項目目錄里

scrapy startproject proxy_demo
cd proxy_demo

通過scrapy genspider新建一個爬蟲，名為proxy_spider_demo，域名為httpbin.org

scrapy genspider proxy_spider_demo httpbin.org

然后將下列代碼粘貼至剛剛新建的爬蟲中

import json
import scrapy
# from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware


class ProxySpiderDemoSpider(scrapy.Spider):
  name = 'proxy_spider_demo'
  allowed_domains = ['httpbin.org']
  # start_urls = ['http://httpbin.org/']

  def start_requests(self):
    meta = dict(proxy='http://localhost:5000')
    # 請求三次該網(wǎng)址，查看IP是否不同
    for _ in range(3):
      # 得加上dont_filter=True，否則第2、3個請求將被dupefilter過濾
      # 請求可以通過meta攜帶代理服務(wù)器地址，與HttpProxyMiddleware下載器中間件配合達(dá)到代理請求的目的
      yield scrapy.Request('http://httpbin.org/get', dont_filter=True, meta=meta, callback=self.parse)

  def parse(self, response):
    json_body = json.loads(response.text)
    print('當(dāng)前請求的IP為：', json_body['origin'])

在項目根目錄處進(jìn)入終端，通過scrapy crawl命令運(yùn)行爬蟲，這里加上了--nolog選項是為了專注于print的輸出

scrapy crawl --nolog proxy_spider_demo

效果如下

python異步獲取代理IP

如果不希望通過serve子命令，直接在python代碼中使用代理IP，可以通過asyncio來異步獲取代理IP

直接上代碼

import asyncio
from proxybroker import Broker

async def view_proxy(proxies_queue):
  while True:
    proxy = await proxies_queue.get()
    
    if proxy is None:
      print('done...')
      break
      
    print(proxy)

# 異步隊列
proxies_queue = asyncio.Queue()

broker = Broker(proxies_queue)

tasks = asyncio.gather(
  # 使用grab子命令獲取3條IP
  broker.grab(limit=3),
  view_proxy(proxies_queue))

loop = asyncio.get_event_loop()
_ = loop.run_until_complete(tasks)

獲取到代理IP后，你可以通過aiohttp異步HTTP庫或requests庫來使用它們

總結(jié)

你可以利用ProxyBroker庫來白嫖免費(fèi)的IP代理，但是白嫖來的始終是有缺點(diǎn)的，不然也不會有人專門去賣IP代理了

白嫖來的IP有穩(wěn)定性差、速度慢的缺點(diǎn)，所以土豪可以忽視本文...

到此這篇關(guān)于python利用proxybroker構(gòu)建爬蟲免費(fèi)IP代理池的實現(xiàn)的文章就介紹到這了,更多相關(guān)python IP代理池內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論