前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >IP's pool

IP's pool

作者头像
BORBER
发布2019-08-06 17:30:01
5450
发布2019-08-06 17:30:01
举报
文章被收录于专栏:BORBER

代理IP池的构建

代理IP就像是保护你的骑士

保存一下 Python 构建 代理池的源代码 建议自己保存在 toolkits包 方便导入, 这里抓取的是 西刺代理 的高匿代理服务器 全部都是免费使用的,自己测试之后,觉得非常好用

代码语言:javascript
复制
import requests
from lxml import etree
import urllib3
import random
import time

urllib3.disable_warnings()


def spider(pages, max_change_porxies_times=300):
    """
    抓取 Xi ci Dai li.com 的 http类型-代理ip-和端口号

    将所有抓取的ip存入 raw_ips.csv 待处理, 可用 check_proxies() 检查爬取到的代理ip是否可用
    -----
    :param max_change_porxies_times:
    :param pages:要抓取多少页
    :return:无返回
    """
    s = requests.session()
    s.trust_env = False
    s.verify = False
    urls = 'https://www.xicidaili.com/nn/{}'
    proxies = {}
    try_times = 0
    for i in range(pages):
        url = urls.format(i + 1)
        s.headers = {
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            'Accept-Encoding': 'gzip, deflate, br',
            'Accept-Language': 'zh-CN,zh;q=0.9',
            'Connection': 'keep-alive',
            'Referer': urls.format(i if i > 0 else ''),
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}
        while True:
            content = s.get(url, headers=s.headers, proxies=proxies)
            time.sleep(random.uniform(1.5, 4))  # 每读取一次页面暂停一会,否则会被封
            if content.status_code == 503:  # 如果503则ip被封,就更换ip
                proxies = get_proxies()
                try_times += 1
                print(f'第{str(try_times):0>3s}次变更,当前{proxies}')
                if try_times > max_change_porxies_times:
                    print('超过最大尝试次数,连接失败!')
                    return -1
                continue
            else:
                break  # 如果返回码是200 ,就跳出while循环,对爬取的页面进行处理

        print(f'正在抓取第{i+1}页数据,共{pages}页')
        for j in range(2, 102):  # 用简单的xpath提取http,host和port
            tree = etree.HTML(content.text)
            http = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[6]/text()')[0]
            host = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[2]/text()')[0]
            port = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[3]/text()')[0]
            check_proxies(http, host, port)  # 检查提取的代理ip是否可用


def check_proxies(http, host, port, test_url='http://www.baidu.com'):
    """
    检测给定的ip信息是否可用

    根据http,host,port组成proxies,对test_url进行连接测试,如果通过,则保存在 ips_pool.csv 中
    :param http: 传输协议类型
    :param host: 主机
    :param port: 端口号
    :param test_url: 测试ip
    :return: None
    """
    proxies = {http: host + ':' + port}
    try:
        res = requests.get(test_url, proxies=proxies, timeout=2)
        if res.status_code == 200:
            print(f'{proxies}检测通过')
            with open('ips_pool.csv', 'a+') as f:
                f.write(','.join([http, host, port]) + '\n')
    except Exception as e:  # 检测不通过,就不保存,别让报错打断程序
        print(e)


def check_local_ip(fn, test_url):
    """
    检查存放在本地ip池的代理ip是否可用

    通过读取fn内容,加载每一条ip对test_url进行连接测试,链接成功则储存在 ips_pool.csv 文件中
    :param fn: filename,储存代理ip的文件名
    :param test_url: 要进行测试的ip
    :return: None
    """
    with open(fn, 'r') as f:
        datas = f.readlines()
        ip_pools = []
    for data in datas:
        # time.sleep(1)
        ip_msg = data.strip().split(',')
        http = ip_msg[0]
        host = ip_msg[1]
        port = ip_msg[2]
        proxies = {http: host + ':' + port}
        try:
            res = requests.get(test_url, proxies=proxies, timeout=2)
            if res.status_code == 200:
                ip_pools.append(data)
                print(f'{proxies}检测通过')
                with open('ips_pool.csv', 'a+') as f:
                    f.write(','.join([http, host, port]) + '\n')
        except Exception as e:
            print(e)
            continue


def get_proxies(ip_pool_name='ips_pool.csv'):
    """
    从ip池获得一个随机的代理ip
    :param ip_pool_name: str,存放ip池的文件名,
    :return: 返回一个proxies字典,形如:{'HTTPS': '106.12.7.54:8118'}
    """
    with open(ip_pool_name, 'r') as f:
        datas = f.readlines()
    ran_num = random.choice(datas)
    ip = ran_num.strip().split(',')
    proxies = {ip[0]: ip[1] + ':' + ip[2]}
    return proxies


if __name__ == '__main__':
    t1 = time.time()
    spider(pages=3400)
    t2 = time.time()
    print('抓取完毕,时间:', t2 - t1)

    # check_local_ip('raw_ips.csv','http://www.baidu.com')

抓取的结果会保存在 当前目录下 ips_pool.csv文件中

下附我抓取的部分代理,不保证你使用时还有用,但是我每次重新抓取都会及时更新,并且以后的爬虫,大概率都会全部使用IP代理

下载链接

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019-07-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档