一次免费代理ip的爬取实战

我们在使用爬虫的时候，会对代理ip有一定程度的需求。今天爬取的这个免费代理网站不是大家已经爬烂的西刺和66等代理网站，是我无意间发现的宝藏网站~

这个网站还是有一点小意思的。

注意到没有，这里的ip地址被换成了图片，而这个图片长得似乎和验证码非常相似。定位ip地址元素发现，确实是图片，并且是base64编码的形式。

这样我们就有了整体的思路，首先爬取网页上图片的base64编码，将编码解码保存为图片，接着利用OCR进行识别，将图片中的ip提取。

爬取网页

网页上的这些元素爬取还是非常容易的，通过page参数控制翻页，其他内容例如端口号，匿名度等代理的信息可以利用xpath或者其他方式来解析网页得到。

当我们得到图片的base64之后，需要将编码解码并保存为图片。

def ip_img(img_base64,i):
    img_data=base64.b64decode(img_base64)
    with open ('ip/{}.jpg'.format(i),'wb') as f:
        f.write(img_data)

OCR识别

我们将这些ip地址的图片统一保存在ip文件夹内，来对每一张图片进行OCR识别，识别的套路很简单，和知网的验证码的方式相同，我们先把图片转换为灰度图片，再进行简单的二值化处理，得到新图片效果如下所示。

但是使用tesserocr之后发现，这个黑白的二值图片依然不能识别，我猜想是因为图片大小的问题，于是我利用resize将图片的长宽均增至三倍，这样识别得到的结果便有模有样了。

def ocr_ip(img):
    image=Image.open(img)
    image=image.resize((450,60))
    image=image.convert('L')
    threshold=127
    table=[]
    for i in range(256):
        if i<threshold:
            table.append(0)
        else:
            table.append(1)
    image=image.point(table,'1')
    result=tesserocr.image_to_text(image).replace('§','5').replace('$','8').replace('L','1').replace('i','1').replace(',','')
    return result.replace('\n','')

上面还是进行了一些小小的处理，例如tesserocr会把“5”识别为“§”，把“1”识别为“L”等等，因此我使用replace做了结果的部分内容替换。

这样，我们就可以获取这样一些免费的代理IP，再验证有效性之后便可投入使用啦~

——END——