快捷導(dǎo)航

用python構(gòu)建IP代理池詳解

更新時(shí)間：2022年01月19日 11:07:16 作者：A-L-Kun

大家好，本篇文章主要講的是用python構(gòu)建IP代理池詳解，感興趣的同學(xué)趕快來(lái)看一看吧，對(duì)你有幫助的話記得收藏一下

概述

用爬蟲時(shí)，大部分網(wǎng)站都有一定的反爬措施，有些網(wǎng)站會(huì)限制每個(gè) IP 的訪問速度或訪問次數(shù)，超出了它的限制你的 IP 就會(huì)被封掉。對(duì)于訪問速度的處理比較簡(jiǎn)單，只要間隔一段時(shí)間爬取一次就行了，避免頻繁訪問；而對(duì)于訪問次數(shù)，就需要使用代理 IP 來(lái)幫忙了，使用多個(gè)代理 IP 輪換著去訪問目標(biāo)網(wǎng)址可以有效地解決問題。

目前網(wǎng)上有很多的代理服務(wù)網(wǎng)站提供代理服務(wù)，也提供一些免費(fèi)的代理，但可用性較差，如果需求較高可以購(gòu)買付費(fèi)代理，可用性較好。

因此我們可以自己構(gòu)建代理池，從各種代理服務(wù)網(wǎng)站中獲取代理 IP，并檢測(cè)其可用性（使用一個(gè)穩(wěn)定的網(wǎng)址來(lái)檢測(cè)，最好是自己將要爬取的網(wǎng)站），再保存到數(shù)據(jù)庫(kù)中，需要使用的時(shí)候再調(diào)用。

提供免費(fèi)代理的網(wǎng)站

廠商名稱	地址
66代理	http://www.66ip.cn/
西刺代理	https://www.xicidaili.com
全網(wǎng)代理	http://www.goubanjia.com
云代理	http://www.ip3366.net
IP海	http://www.iphai.com
快代理	https://www.kuaidaili.com
免費(fèi)代理IP庫(kù)	http://ip.jiangxianli.com
小幻代理	https://ip.ihuan.me/

代碼

導(dǎo)包

import loguru, requests, random, time  # 發(fā)送請(qǐng)求，記錄日志，等
from lxml import etree  # 分析數(shù)據(jù)
from concurrent.futures import ThreadPoolExecutor  # 線程池

網(wǎng)站頁(yè)面的url

由于小幻代理的每個(gè)頁(yè)面的url沒有規(guī)律，所以需要一一獲取

def get_url():  # 得到存放ip地址的網(wǎng)頁(yè)
    print("正在獲取ip池", "，不要著急！")
    for i in range(random.randint(10, 20)):  # 爬取隨機(jī)頁(yè)數(shù)
        time.sleep(1)
        if i == 0:
            url = "https://ip.ihuan.me/"
        else:
            url = url_list[-1]
        try:
            resp = requests.get(url=url, headers=headers_test, timeout=10)
        except Exception as e:
            print(e)
            break
        html = etree.HTML(resp.text)
        ul = html.xpath('//ul[@class="pagination"]')
        ul_num = html.xpath('//ul[@class="pagination"]/li')
        for j in range(len(ul_num)):
            if j != 0 and j != len(ul_num) - 1:
                a = ul[0].xpath(f"./li[{j}+1]/a/@href")[0]
                url_list.append("https://ip.ihuan.me/" + a)  # 得到許多的代理ip網(wǎng)址
        loguru.logger.info(f"over，{url}")

ip地址

def get_ip():
    for i in url_list:
        time.sleep(1)
        resp = requests.get(url=i, headers=headers)
        html = etree.HTML(resp.text)
        td = html.xpath("http://tbody/tr")
        for i in td:
            ip = i.xpath("./td[1]//text()")[0]  # 地址
            pt = i.xpath("./td[2]//text()")[0]  # 端口
            tp = "http" if i.xpath("./td[5]//text()")[0] == "不支持" else "https"  # 訪問類型
            ip_list.append({"type": tp, "proxy": f"{ip}:{pt}"})
    loguru.logger.info("ip地址獲取完成")

檢測(cè)

def test_ip(ip):
    proxy_test = {
        "http": f"{ip}",
        "https": f"{ip}"
        # 注意：如果請(qǐng)求的ip是https類型的，但代理的ip是只支持http的，那么還是使用本機(jī)的ip，如果請(qǐng)求的ip是http類型的，那么代理的ip一定要是http的，前面不能寫成https，否則使用本機(jī)IP地址
    }
    resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)
    if resp.json()["origin"] == ip.split(":")[0]:
        ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期處理，是的其有http/https標(biāo)識(shí)
        temp_ip.append(ip)  # 符合條件的添加，不符合條件的拋棄

整理

def set_ip(url) -> "動(dòng)態(tài)構(gòu)建ip池":  # 要傳入需要爬取網(wǎng)頁(yè)的url
    try:
        f = open('./app/ip.txt', "r")
        for j in eval(f.read()):
            temp_ip.append(j)
        f.close()
    except Exception as e:
        print("沒有ip，正在構(gòu)造ip池，請(qǐng)稍等")

    if not temp_ip:  # 判斷是否有ip地址
        print("沒有ip地址，正在獲取")
        get_url()
    else:
        for i in temp_ip:
            ip_list.append(i)  # 將已有的ip添加到測(cè)試ip中
        temp_ip.clear()

    get_ip()  # 得到大量ip地址
    with open('./app/ip.txt', "w") as file:
        file.write(ip_list)
    ip_able = list(set(j["proxy"] for j in ip_list if j["type"] == url.split(":")[0]))  # 存放符合要求的ip字符串，同時(shí)利用字典去重
    url_test = "http://httpbin.org/ip" if url.split(":")[0] == "http" else ""  # 測(cè)試ip地址是否有用

    def test_ip(ip):
        proxy_test = {
            "http": f"{ip}",
            "https": f"{ip}"
            # 注意：如果請(qǐng)求的ip是https類型的，但代理的ip是只支持http的，那么還是使用本機(jī)的ip，如果請(qǐng)求的ip是http類型的，那么代理的ip一定要是http的，前面不能寫成https，否則使用本機(jī)IP地址
        }
        resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)
        if resp.json()["origin"] == ip.split(":")[0]:
            ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期處理，是的其有http/https標(biāo)識(shí)
            temp_ip.append(ip)  # 符合條件的添加，不符合條件的拋棄

    with ThreadPoolExecutor(50) as pool:  # 使用多線程測(cè)試
        pool.map(test_ip, ip_able)

    pool.join()

    print("測(cè)試完畢")

    if temp_ip:
        i = random.choice(temp_ip)
        proxy = {
            "http": f"{i['proxy']}",
            "https": f"{i['proxy']}"
        }
        return proxy
    else:
        set_ip(url=url)

必要參數(shù)

# 參數(shù)

headers = {
    'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9"
}
headers_test = {
    'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36",
    "accept-encoding": "gzip, deflate, br",
    "cookie": "Hm_lvt_8ccd0ef22095c2eebfe4cd6187dea829=1642389014,1642412091",
    "Referer": "https://ip.ihuan.me/"
}
url_list, ip_list, temp_ip = ["https://ip.ihuan.me/"], [], []  # 存放url， 存放ip地址， 有用的ip地址

總代碼

import loguru, requests, random, time
from lxml import etree
from concurrent.futures import ThreadPoolExecutor


def get_url():  # 得到存放ip地址的網(wǎng)頁(yè)
    print("正在獲取ip池", "，不要著急！")
    for i in range(random.randint(10, 20)):  # 爬取隨機(jī)頁(yè)數(shù)
        time.sleep(1)
        if i == 0:
            url = "https://ip.ihuan.me/"
        else:
            url = url_list[-1]
        try:
            resp = requests.get(url=url, headers=headers_test, timeout=10)
        except Exception as e:
            print(e)
            break
        html = etree.HTML(resp.text)
        ul = html.xpath('//ul[@class="pagination"]')
        ul_num = html.xpath('//ul[@class="pagination"]/li')
        for j in range(len(ul_num)):
            if j != 0 and j != len(ul_num) - 1:
                a = ul[0].xpath(f"./li[{j}+1]/a/@href")[0]
                url_list.append("https://ip.ihuan.me/" + a)  # 得到許多的代理ip網(wǎng)址
        loguru.logger.info(f"over，{url}")


def get_ip():
    for i in url_list:
        time.sleep(1)
        resp = requests.get(url=i, headers=headers)
        html = etree.HTML(resp.text)
        td = html.xpath("http://tbody/tr")
        for i in td:
            ip = i.xpath("./td[1]//text()")[0]  # 地址
            pt = i.xpath("./td[2]//text()")[0]  # 端口
            tp = "http" if i.xpath("./td[5]//text()")[0] == "不支持" else "https"  # 訪問類型
            ip_list.append({"type": tp, "proxy": f"{ip}:{pt}"})
    loguru.logger.info("ip地址獲取完成")


def set_ip(url) -> "動(dòng)態(tài)構(gòu)建ip池":  # 要傳入需要爬取網(wǎng)頁(yè)的url
    try:
        f = open('./app/ip.txt', "r")
        for j in eval(f.read()):
            temp_ip.append(j)
        f.close()
    except Exception as e:
        print("沒有ip，正在構(gòu)造ip池，請(qǐng)稍等")

    if not temp_ip:  # 判斷是否有ip地址
        print("沒有ip地址，正在獲取")
        get_url()
    else:
        for i in temp_ip:
            ip_list.append(i)  # 將已有的ip添加到測(cè)試ip中
        temp_ip.clear()

    get_ip()  # 得到大量ip地址
    with open('./app/ip.txt', "w") as file:
        file.write(ip_list)
    ip_able = list(set(j["proxy"] for j in ip_list if j["type"] == url.split(":")[0]))  # 存放符合要求的ip字符串，同時(shí)利用集合去重
    url_test = "http://httpbin.org/ip" if url.split(":")[0] == "http" else ""  # 測(cè)試ip地址是否有用

    def test_ip(ip):
        proxy_test = {
            "http": f"{ip}",
            "https": f"{ip}"
            # 注意：如果請(qǐng)求的ip是https類型的，但代理的ip是只支持http的，那么還是使用本機(jī)的ip，如果請(qǐng)求的ip是http類型的，那么代理的ip一定要是http的，前面不能寫成https，否則使用本機(jī)IP地址
        }
        resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)
        if resp.json()["origin"] == ip.split(":")[0]:
            ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期處理，是的其有http/https標(biāo)識(shí)
            temp_ip.append(ip)  # 符合條件的添加，不符合條件的拋棄

    with ThreadPoolExecutor(50) as pool:  # 使用多線程測(cè)試
        pool.map(test_ip, ip_able)

    pool.join()

    print("測(cè)試完畢")

    if temp_ip:
        i = random.choice(temp_ip)
        proxy = {
            "http": f"{i['proxy']}",
            "https": f"{i['proxy']}"
        }
        return proxy
    else:
        set_ip(url=url)


# 參數(shù)

headers = {
    'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9"
}
headers_test = {
    'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36",
    "accept-encoding": "gzip, deflate, br",
    "cookie": "Hm_lvt_8ccd0ef22095c2eebfe4cd6187dea829=1642389014,1642412091",
    "Referer": "https://ip.ihuan.me/"
}
url_list, ip_list, temp_ip = ["https://ip.ihuan.me/"], [], []  # 存放url， 存放ip地址， 有用的ip地址

if __name__ == '__main__':
    proxy = set_ip(url="https://www.baidu.com")  # 得到代理ip
    print(proxy)