Python构建代理池，突破IP的封锁爬取海量数据

龙哥

发布于 2021-08-05 11:28:58

5670

发布于 2021-08-05 11:28:58

文章被收录于专栏：Python绿色通道

在之前的文章中给大家分享了日常我在爬虫过程中使用的一些技巧。

其中代理ip就是其中技巧之一，那么我们如何快速获得ip呢，今天我就带大家使用爬虫来获取免费的ip。

1. 打开网站首页，可以看到总共有十页数据，总共100条ip记录。咱们的目的很简单，就是要这100条ip和对应端口号。完了我们再去筛选那些ip是可用的。

http://www.ip3366.net/?stype=1&page=1

2. 我们打开浏览器模式模式分析页面看到这些ip信息都位于tr标签内，所以我么可以使用xpath来获取这些信息。

#获取当前页面10个ip数据
ips = selector.xpath('//*[@id="list"]/table/tbody/tr')
print(len(ips))
'''
10
'''

3. 获取到当前页面所有ip信息之后我们就可以使用for循环获取tr标签内部具体的ip和端口号。

# 获取端口和IP
for ip in ips:
    ip_num = ip.xpath('td[1]/text()').get()    # ip
    port_num = ip.xpath('td[2]/text()').get()  # port
    print(ip_num, port_num)
'''
49.70.151.180 3256
49.87.44.221 9999
42.177.142.239 9999
42.177.141.141 9999
42.176.134.43 9999
42.176.134.212 9999
49.71.142.114 9999
49.87.221.46 9999
49.87.221.120 9999
49.87.221.61 9999
'''

4. 接下来就使用for循环获取十个页面的100条数据。

 for page in range(1, 10+1):
        print(f'-------正在爬取第{page}页数据-------')
        url = f'http://www.ip3366.net/?stype=1&page={page}'

5. 测试可用性，现在所有的ip都已经获取到了，能不能用还是未知数，所以我们试着有这些ip登陆一下百度页面，检测其可用性。

   for ip in ip_list:
        try:
            response = requests.get(url='https://www.baidu.com', proxies=ip, timeout=2)
            if response.status_code == 200:
                use_proxy.append(ip)
        except Exception as e:
            print(f'当前为第{count}个代理ip:', ip, '请求超时, 检测不合格!!!')
        else:
            print(f'当前为第{count}个代理ip:', ip, '检测通过')

检测结果如下：