python爬蟲實戰(zhàn)之制作屬于自己的一個IP代理模塊

更新時間：2021年06月02日 11:16:38 作者：il_持之以恒_li

Python爬蟲常常會面臨自己ip地址被封的情況,也許不懂的讀者就只能等ip解封之后再進行接下來的操作了,為什么自己不做一個Python模塊專門用于處理這種情況呢？文中對于讀者開發(fā)Python爬蟲肯定有一定的幫助,希望讀者耐心看下去,需要的朋友可以參考下

一、使用PyChram的正則

首先，小編講的不是爬取ip，而是講了解PyCharm的正則，這里講的正則不是Python的re模塊哈！
而是PyCharm的正則功能，我們在PyChram的界面上按上Ctrl+R，可以發(fā)現，這里出現兩行輸入框

在這里插入圖片描述

現在如果小編想把如下數據轉換成一個字典存儲

在這里插入圖片描述

讀者也許會一個一去改，但是小編只需在上述的那兩個輸入框內，輸入一串字符串即可。

在這里插入圖片描述

只需在第一個輸入框中，輸入(.*) : (.*）
在第二個輸入框中，輸入"$1":"$2",,看看效果如何

在這里插入圖片描述

之后再給兩端分別一個花括號和取一個字典名稱即可。

二、制作一個隨機User-Agent模塊

反爬措施中，有這樣一條，就是服務器會檢查請求的user-agent參數值，如果檢查的結果為python，那么服務器就知道這是爬蟲，為了避免被服務器發(fā)現這是爬蟲，通常user-agent參數值會設置瀏覽器的值，但是爬取一個網址時，每次都需要查看網址network下面的內容，顯得比較繁瑣，為什么不自定義一個隨機獲取user-agent的值模塊呢？這樣既可以減少查看network帶來的繁瑣，同時還可以避免服務器發(fā)現這是同一個user-agent發(fā)起多次請求。
說了這么多，那么具體怎樣實現呢？

在這里插入圖片描述

只需調用隨機模塊random的方法choice()即可，這個方法里面的參數類型時列表類型，具體參考代碼如下：

import random

class useragent(object):

    def getUserAgent(self):
        useragents=[
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
            'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
            'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)',
        ]
        return random.choice(useragents)

這樣我們就可以隨機得到一個user-agent的值了。

三、最終實踐

3.1 爬取快代理上的ip

接下來，就是最終實踐了，制作屬于自己的IP代理模塊。

那么，從哪里獲取IP呢？小編用的是快代理這個網址，網址鏈接為：https://www.kuaidaili.com/free/inha/1/。

怎樣提取IP呢？小編用的是xpath語法

在這里插入圖片描述

參考代碼如下:

import requests
from crawlers.userAgent import useragent  # 導入自己自定義的類，主要作用為隨機取user-agent的值
from lxml import etree

url='https://www.kuaidaili.com/free/inha/1/'
headers={'user-agent':useragent().getUserAgent()}
rsp=requests.get(url=url,headers=headers)
HTML=etree.HTML(rsp.text)
infos=HTML.xpath("http://table[@class='table table-bordered table-striped']/tbody/tr")
for info in infos:
    print(info.xpath('./td[1]/text()'))   # ip
    print(info.xpath('./td[2]/text()'))   # ip對應的端口 列表類型

怎樣爬取多頁呢？分析快代理那個網址，可以發(fā)現https://www.kuaidaili.com/free/inha/{頁數}/ ，花括號里面就是頁數，這個網址總頁數為4038，這里小編只爬取5頁，并且開始頁數?。?，3000）之間的隨機數，但是如果for循環(huán)這個過程，運行結果如下：

在這里插入圖片描述

原來是請求過快的原因，只需在爬取1頁之后，休眠幾秒鐘即可解決。

3.2 驗證爬取到的ip是否可用

這里直接用百度這個網址作為測試網址，主要代碼為：

url='https://www.baidu.com'
headers={'user-agent':useragent().getUserAgent()}
proxies={}   # ip ，這里只是講一下關鍵代碼，沒有給出具體IP
rsp=requests.get(url=url,headers=headers,proxies=proxies,time=0.2)  # timeout為超時時間

只需判斷rsp的狀態(tài)碼為200，如果是，把它添加到一個指定的列表中。

具體參考代碼小編已經上傳到Gitee上，鏈接為:ip代理模塊

當然讀者可用把這個文件保存到python\Lib文件夾下面，這樣就可用隨時隨地導入了。