Python搭建自己IP代理池的方法實(shí)現(xiàn)
IP代理是什么:
ip就是訪問(wèn)網(wǎng)頁(yè)數(shù)據(jù)服務(wù)器位置信息,每一個(gè)主機(jī)或者網(wǎng)絡(luò)都有一個(gè)自己IP信息
為什么要使用代理ip:
因?yàn)樵谙蚧ヂ?lián)網(wǎng)發(fā)送請(qǐng)求中,網(wǎng)頁(yè)端會(huì)識(shí)別客戶端是真實(shí)用戶還是爬蟲程序,在今天以互聯(lián)網(wǎng)為主導(dǎo)的世界中,數(shù)據(jù)一種資源,誰(shuí)能得到更多有效的數(shù)據(jù),誰(shuí)就能在今天互聯(lián)網(wǎng)世界斗爭(zhēng)中獲得先機(jī),所以網(wǎng)頁(yè)是不愿意把數(shù)據(jù)作為開源分享給其他互聯(lián)網(wǎng)運(yùn)營(yíng)公司的,它會(huì)創(chuàng)造出許許多多的反制措施來(lái)避免自己的數(shù)據(jù)被其他競(jìng)爭(zhēng)對(duì)手(或利益相關(guān)的其他服務(wù)商),但又不得不為了創(chuàng)造更高的經(jīng)濟(jì)價(jià)值,來(lái)以非常有限的隧道中讓正常真實(shí)用戶訪問(wèn)它的網(wǎng)頁(yè),所以IP作為訪問(wèn)者的唯一標(biāo)識(shí),自然而然成為互聯(lián)網(wǎng)公司鑒別真實(shí)非爬蟲用戶的一種手段。
如果你設(shè)置的程序訪問(wèn)時(shí)間過(guò)快(行為異常)超過(guò)了正常人訪問(wèn)的時(shí)間(行為),被訪問(wèn)的網(wǎng)頁(yè)就會(huì)判定你是一個(gè)爬蟲程序,對(duì)你的IP進(jìn)行封禁(一般為5-15分鐘,不會(huì)超過(guò)12小時(shí))。
所以作為爬蟲工作者為了獲取互聯(lián)網(wǎng)中的數(shù)據(jù),通過(guò)以更換ip的方式來(lái)再一次訪問(wèn)該網(wǎng)頁(yè)。
因此由于市場(chǎng)需求,網(wǎng)絡(luò)上出現(xiàn)許多以”為爬蟲工作者提供ip地址“的互聯(lián)網(wǎng)公司。
這類互聯(lián)網(wǎng)公司為爬蟲職業(yè)學(xué)習(xí)者,提供了一些免費(fèi)IP信息以供學(xué)習(xí),在真實(shí)項(xiàng)目獲取免費(fèi)IP信息的方式是不被建議的,作者期望你能通過(guò)付費(fèi)的方式來(lái)獲取更多高質(zhì)量的IP資源。
作者作為python爬蟲初學(xué)者賴給大家講述一下,如何搭建自己IP代理池,IP代理池聽名聞義,其實(shí)就是裝載了許許多多的高質(zhì)量IP資源,以供學(xué)習(xí)者和工作人員及時(shí)的更換IP避免對(duì)項(xiàng)目產(chǎn)生不可挽回的損失。
作為爬蟲學(xué)習(xí)者,我們應(yīng)該較其他行業(yè)人員應(yīng)具有爬蟲技術(shù),通過(guò)爬蟲來(lái)獲取更多IP數(shù)據(jù)。
對(duì)IP代理提供商發(fā)起訪問(wèn)請(qǐng)求:(本次IP資源的提供商為:”云代理“)
import time import requests import parsel #新建一個(gè)列表用來(lái)存儲(chǔ)完整ip數(shù)據(jù) 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) #服務(wù)器獲取數(shù)據(jù) #瀏覽器的身份標(biāo)識(shí) 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) #指定一個(gè)編碼 = 獲取一個(gè)編碼 response.encoding = response.apparent_encoding html_data = response.text
將web服務(wù)器返回頁(yè)面數(shù)據(jù)進(jìn)行解析:本次采用xpath解析
#3.數(shù)據(jù)解析 使用xpath 方法,xpath專門用于解析html頁(yè)面 selector = parsel.Selector(html_data) #轉(zhuǎn)換數(shù)據(jù)類型 # print(selector) trs = selector.xpath('//table/tbody/tr') # print(trs) #將拼接好的完整地址保存在一個(gè)名為proxies_list的列表中 #遍歷每一個(gè)tr標(biāo)簽 for tr in trs: ip = tr.xpath('./td[1]/text()').get() adr = tr.xpath('./td[2]/text()').get() # print(ip,adr)
將獲取的數(shù)據(jù)拼接起來(lái):因?yàn)橥暾鹖p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, }
將獲取的完整的IP信息存儲(chǔ)起來(lái)
proxies_list.append(proxies_dict)
第二大部分:將獲取到IP數(shù)據(jù)檢測(cè)一下是否可用,避免在爬蟲項(xiàng)目中項(xiàng)目浪費(fèi)太多的時(shí)間,來(lái)檢測(cè)ip的可用性。
免費(fèi)IP幾乎百分之九十不可用,所以作為爬蟲工作者建議你購(gòu)買付費(fèi)數(shù)據(jù)
定義一個(gè)函數(shù)用來(lái)檢測(cè)數(shù)據(jù)是否可用:
def check_ip(proxies_list): """ 代理檢測(cè)""" #將高質(zhì)量可用代理存儲(chǔ)起來(lái) can_user= [] for proxie in proxies_list: #發(fā)送一個(gè)請(qǐng)求以便得到該代理的狀態(tài)碼 try: response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2) if response.status_code == 200: #如果該IP訪問(wèn)百度后,返回的狀態(tài)碼為200時(shí),說(shuō)明該地阿里可以使用 #將該代理保存起來(lái) can_user.append(proxie) except: print('當(dāng)前代理:',proxie,'請(qǐng)求時(shí)間過(guò)長(zhǎng)不可用') #如果代理可用則執(zhí)行else中的語(yǔ)句 else: print('當(dāng)前代理:', proxie, '可以使用') return can_user
這里我要說(shuō)的重點(diǎn)是:
response.status_code == 200
通過(guò)向特定的網(wǎng)頁(yè)發(fā)起get請(qǐng)求,以返回狀態(tài)碼來(lái)檢測(cè)該IP數(shù)據(jù)是否正??捎?,如果在有限的時(shí)間中它返回的狀態(tài)碼為200說(shuō)明該IP數(shù)據(jù)是正??捎玫?。
通過(guò)方法的調(diào)用來(lái)讓該檢測(cè)代碼段運(yùn)行起來(lái):
can_user = check_ip(proxies_list) print('可以使用的代理:',can_user) print('可以使用的代理數(shù)量為:',len(can_user))
這里我要說(shuō)的是:通過(guò)check_ip()方法調(diào)用并且向該方法傳遞一個(gè)參數(shù)”proxies_list“,該參數(shù)是我們定義的用來(lái)存儲(chǔ)在ip提供商那里爬取全部IP數(shù)據(jù),通過(guò)調(diào)用該方法,并且將未進(jìn)行識(shí)別的ip數(shù)據(jù)傳入。讓檢測(cè)程序代碼段運(yùn)行起來(lái),獲取可供使用IP數(shù)據(jù)
文章的最后,我要說(shuō)的是,希望大家能感激每一位資源的提供者,只有消費(fèi)才會(huì)產(chǎn)生價(jià)值,帶動(dòng)市場(chǎng),我們應(yīng)該尊重勞動(dòng)者的辛苦勞作。
完整代碼段:
#建立步驟: ''' 爬取提供免費(fèi)代理的網(wǎng)站數(shù)據(jù)(ip地址 端口號(hào),地址信息) 1.尋找數(shù)據(jù)地址 2.發(fā)送請(qǐng)求 3.需要的數(shù)據(jù)(頁(yè)面解析保存下來(lái)),或者不需要的數(shù)據(jù)(剔除) 4.需要的數(shù)據(jù)保存(IP地址,端口,拼接https://) ''' import time import requests # 安裝parsel時(shí)報(bào)錯(cuò),經(jīng)過(guò)排查應(yīng)該是鏡像源的問(wèn)題(網(wǎng)絡(luò)上說(shuō)是盡量使用國(guó)內(nèi)鏡像源,國(guó)外網(wǎng)速不行,我使用的就是阿里云的鏡像)應(yīng)該是阿里云的鏡像不行,我換了一個(gè)豆瓣的鏡像源 #具體使用辦法在安裝包的后面添加上,通過(guò)那個(gè)鏡像源:pip install parsel -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com 把”庫(kù)包名“換成你要安裝的包的名稱即可; import parsel #使用代理: #定義一個(gè)函數(shù): def check_ip(proxies_list): """ 代理檢測(cè)""" #將高質(zhì)量可用代理存儲(chǔ)起來(lái) can_user= [] for proxie in proxies_list: #發(fā)送一個(gè)請(qǐng)求以便得到該代理的狀態(tài)碼 try: response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2) if response.status_code == 200: #如果該IP訪問(wèn)百度后,返回的狀態(tài)碼為200時(shí),說(shuō)明該地阿里可以使用 #將該代理保存起來(lái) can_user.append(proxie) except: print('當(dāng)前代理:',proxie,'請(qǐng)求時(shí)間過(guò)長(zhǎng)不可用') #如果代理可用則執(zhí)行else中的語(yǔ)句 else: print('當(dāng)前代理:', proxie, '可以使用') return can_user #1.尋找數(shù)據(jù)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) #服務(wù)器獲取數(shù)據(jù) #瀏覽器的身份標(biāo)識(shí) 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) #指定一個(gè)編碼 = 獲取一個(gè)編碼 response.encoding = response.apparent_encoding html_data = response.text #3.數(shù)據(jù)解析 使用xpath 方法,xpath專門用于解析html頁(yè)面 selector = parsel.Selector(html_data) #轉(zhuǎn)換數(shù)據(jù)類型 # print(selector) trs = selector.xpath('//table/tbody/tr') # print(trs) #將拼接好的完整地址保存在一個(gè)名為proxies_list的列表中 #遍歷每一個(gè)tr標(biāo)簽 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('獲取成功',proxies_dict) #break 次break是為了檢測(cè)第一頁(yè)數(shù)據(jù)返回是否正常,其實(shí)我獲取的所有免費(fèi)代理 print(proxies_list) print('獲取的代理數(shù)據(jù)為:',len(proxies_list)) # proxies_list.append(proxies_dict) print('==========================正在檢測(cè)代理======================') can_user = check_ip(proxies_list) print('可以使用的代理:',can_user) print('可以使用的代理數(shù)量為:',len(can_user))
到此這篇關(guān)于Python搭建自己IP代理池的方法實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Python搭建IP代理池內(nèi)容請(qǐng)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!
相關(guān)文章
Sklearn調(diào)優(yōu)之網(wǎng)格搜索與隨機(jī)搜索原理詳細(xì)分析
這篇文章主要介紹了Sklearn調(diào)優(yōu)之網(wǎng)格搜索與隨機(jī)搜索原理,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)吧2023-02-02在Python中使用matplotlib模塊繪制數(shù)據(jù)圖的示例
這篇文章主要介紹了在Python中使用matplotlib模塊繪制數(shù)據(jù)圖的示例,matplotlib模塊經(jīng)常被用來(lái)實(shí)現(xiàn)數(shù)據(jù)的可視化,需要的朋友可以參考下2015-05-05Python中paramiko模塊的基礎(chǔ)操作與排錯(cuò)問(wèn)題
python的ssh庫(kù)操作需要引入一個(gè)遠(yuǎn)程控制的模塊——paramiko,可用于對(duì)遠(yuǎn)程服務(wù)器進(jìn)行命令或文件操作,這篇文章主要介紹了Python學(xué)習(xí)之paramiko模塊的基礎(chǔ)操作與排錯(cuò),需要的朋友可以參考下2022-09-09python openpyxl 帶格式復(fù)制表格的實(shí)現(xiàn)
這篇文章主要介紹了python openpyxl 帶格式復(fù)制表格的實(shí)現(xiàn)操作,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-03-03詳解PyTorch手寫數(shù)字識(shí)別(MNIST數(shù)據(jù)集)
這篇文章主要介紹了詳解PyTorch手寫數(shù)字識(shí)別(MNIST數(shù)據(jù)集),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08