快捷導(dǎo)航

python爬取代理ip的示例

更新時(shí)間：2020年12月18日 17:14:37 作者：Super~me

這篇文章主要介紹了python爬取代理ip的示例，幫助大家更好的利用python進(jìn)行爬蟲，感興趣的朋友可以了解下

要寫爬蟲爬取大量的數(shù)據(jù)，就會(huì)面臨ip被封的問題，雖然可以通過設(shè)置延時(shí)的方法來延緩對(duì)網(wǎng)站的訪問，但是一旦訪問次數(shù)過多仍然會(huì)面臨ip被封的風(fēng)險(xiǎn)，這時(shí)我們就需要用到動(dòng)態(tài)的ip地址來隱藏真實(shí)的ip信息，如果做爬蟲項(xiàng)目，建議選取一些平臺(tái)提供的動(dòng)態(tài)ip服務(wù)，引用api即可。目前國(guó)內(nèi)有很多提供動(dòng)態(tài)ip的平臺(tái)，普遍價(jià)格不菲，而對(duì)于只想跑個(gè)小項(xiàng)目用來學(xué)習(xí)的話可以參考下本篇文章。

簡(jiǎn)述

本篇使用簡(jiǎn)單的爬蟲程序來爬取免費(fèi)ip網(wǎng)站的ip信息并生成json文檔，存儲(chǔ)可用的ip地址，寫其它爬取項(xiàng)目的時(shí)候可以從生成的json文檔中提取ip地址使用，為了確保使用的ip地址的有效性，建議對(duì)json文檔中的ip現(xiàn)爬現(xiàn)用，并且在爬取時(shí)對(duì)ip有效性的時(shí)間進(jìn)行篩選，只爬取時(shí)長(zhǎng)較長(zhǎng)、可用的ip地址存儲(chǔ)。

實(shí)現(xiàn)

使用平臺(tái)https://www.xicidaili.com/nn/來作為數(shù)據(jù)源，通過對(duì)http://www.baidu.com/的相應(yīng)來判斷ip的可使用性。引用lxml模塊來對(duì)網(wǎng)頁數(shù)據(jù)進(jìn)行提取，當(dāng)然也可以使用re模塊來進(jìn)行匹配提取，這里只使用lxml模塊對(duì)數(shù)據(jù)進(jìn)行提取。
訪問https://www.xicidaili.com/nn/數(shù)據(jù)源，并且啟動(dòng)Fiddler對(duì)瀏覽器數(shù)據(jù)進(jìn)行監(jiān)聽，我這里瀏覽器采用的是Proxy SwitchyOmega插件來配合Fiddler進(jìn)行使用，在Fiddler找到/nn/*數(shù)據(jù)查看User-Agent信息并復(fù)制下來作為我們?cè)L問的頭文件。如圖：

引入模塊

import requests
from lxml import etree
import time
import json

獲取所有數(shù)據(jù)

def get_all_proxy(page):
  url = 'https://www.xicidaili.com/nn/%s'%page
  headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
  }
  response = requests.get(url, headers=headers)
  html_ele = etree.HTML(response.text)
  ip_eles = html_ele.xpath('//table[@id="ip_list"]/tr/td[2]/text()')
  port_ele = html_ele.xpath('//table[@id="ip_list"]/tr/td[3]/text()')
  print(ip_eles)
  proxy_list = []
  for i in range(0,len(ip_eles)):
    check_all_proxy(ip_eles[i]，port_ele[i])
  return proxy_list

對(duì)數(shù)據(jù)進(jìn)行篩選：

def check_all_proxy(host,port):
  type = 'http'
  proxies = {}
  proxy_str = "%s://@%s:%s" % (type, host, port)
  valid_proxy_list = []
  url = 'http://www.baidu.com/'
  proxy_dict = {
      'http': proxy_str,
      'https': proxy_str
    }
  try:
      start_time = time.time()
      response = requests.get(url, proxies=proxy_dict, timeout=5)
      if response.status_code == 200:
        end_time = time.time()
        print('代理可用：' + proxy_str)
        print('耗時(shí):' + str(end_time - start_time))
        proxies['type'] = type
        proxies['host'] = host
        proxies['port'] = port
        proxiesJson = json.dumps(proxies)
        with open('verified_y.json', 'a+') as f:
          f.write(proxiesJson + '\n')
        print("已寫入：%s" % proxy_str)
        valid_proxy_list.append(proxy_str)
      else:
        print('代理超時(shí)')
  except:
      print('代理不可用--------------->'+proxy_str)

運(yùn)行程序：

if __name__ == '__main__':
  for i in range(1,11): #選取前十頁數(shù)據(jù)使用
    proxy_list = get_all_proxy(i)
    time.sleep(20)
    print(valid_proxy_list)

生成的json文件：