http代理ip

新闻分类

热门关键词

联系我们

合作电话:18922803474


邮箱:jiangxiaobo@feiyiproxy.com


技术支持:张先生 


邮箱:zhangfei@feiyiproxy.com


地址:深圳市南山区高新技术产业园区综合楼W1-A4楼B-05

网址 :  www.flaship.cn 


如何用Python爬虫抓取免费代理IP?

您的当前位置: 首 页 >> 新闻中心 >> 行业资讯

如何用Python爬虫抓取免费代理IP?

发布日期:2019-06-26 作者:快闪代理 点击:

本文关键词:python代理ip,爬虫代理IP,免费爬虫代理ip

不知道大家有没有遇到过“访问频率太高”这样的网站提示,我们需要等待一段时间或者输入一个验证码才能解封,但这样的情况之后还是会出现。出现这个现象的原因就是我们所要爬取的网页采取了反爬虫的措施,比如当某个ip单位时间请求网页次数过多时,服务器会拒绝服务,这种情况就是由于访问频率引起的封ip,这种情况靠解封不能很好的解决,所以我们就想到了伪装本机ip去请求网页,也就是我们今天要讲的使用代理ip。

目前网上有许多代理ip,有免费的也有付费的,例如西刺代理等,免费的虽然不用花钱但有效的代理很少且不稳定,付费的可能会好一点,不过今天我只爬取免费的代理并将检测是否可用,将可用ip存入MongoDB,方便下次取出。

运行平台:Windows

Python版本:Python3.6

IDE: Sublime Text

其他:Chrome浏览器

简述流程为:

步骤1:了解requests代理如何使用

步骤2:从代理网页爬取到ip和端口

步骤3:检测爬取到的ip是否可用

步骤4:将爬取的可用代理存入MongoDB

步骤5:从存入可用ip的数据库里随机抽取一个ip,测试成功后返回

对于requests来说,代理的设置比较简单,只需要传入proxies参数即可。

不过需要注意的是,这里我是在本机安装了抓包工具Fiddler,并用它在本地端口8888创建了一个HTTP代理服务(用Chrome插件SwitchyOmega),即代理服务为:127.0.0.1:8888,我们只要设置好这个代理,就可以成功将本机ip切换成代理软件连接的服务器ip了。

 

  1. import requests

  2. proxy = '127.0.0.1:8888'

  3. proxies = {

  4.    'http':'http://' + proxy,

  5.    'https':'http://' + proxy

  6. }

  7. try:

  8.    response = requests.get('http://httpbin.org/get',proxies=proxies)

  9.    print(response.text)

  10. except requests.exceptions.ConnectionError as e:

  11.    print('Error',e.args)

这里我是用来http://httpbin.org/get作为测试网站,我们访问该网页可以得到请求的有关信息,其中origin字段就是客户端ip,我们可以根据返回的结果判断代理是否成功。返回结果如下:

  1. {

  2.    "args":{},

  3.    "headers":{

  4.        "Accept":"*/*",

  5.        "Accept-Encoding":"gzip, deflate",

  6.        "Connection":"close",

  7.        "Host":"httpbin.org",

  8.        "User-Agent":"python-requests/2.18.4"

  9.    },

  10.    "origin":"xx.xxx.xxx.xxx",

  11.    "url":"http://httpbin.org/get"

  12. }

接下来我们便开始爬取代理IP,首先我们打开Chrome浏览器查看网页,并找到ip和端口元素的信息。

可以看到,代理IP以表格存储ip地址及其相关信息,所以我们用BeautifulSoup提取时很方便便能提取出相关信息,但是我们需要注意的是,爬取的ip很有可能出现重复的现象,尤其是我们同时爬取多个代理网页又存储到同一数组中时,所以我们可以使用集合来去除重复的ip。

将要爬取页数的ip爬取好后存入数组,然后再对其中的ip逐一测试。

这里就用到了上面提到的requests设置代理的方法,我们使用http://httpbin.org/ip作为测试网站,它可以直接返回我们的ip地址,测试通过后再存入MomgoDB数据库。

连接数据库然后指定数据库和集合,再将数据插入就OK了。

最后运行查看一下结果吧

运行了一段时间后,难得看到一连三个测试通过,赶紧截图保存一下,事实上是,毕竟是免费代理,有效的还是很少的,并且存活时间确实很短,不过,爬取的量大,还是能找到可用的,我们只是用作练习的话,还是勉强够用的。现在看看数据库里存储的吧。

因为爬取的页数不多,加上有效ip也少,再加上我没怎么爬,所以现在数据库里的ip并不多,不过也算是将这些ip给存了下来。现在就来看看怎么随机取出来吧。

由于担心放入数据库一段时间后ip会失效,所以取出前我重新进行了一次测试,如果成功再返回ip,不成功的话就直接将其移出数据库。

 

这样我们需要使用代理的时候,就能通过数据库随时取出来了。

总的代码如下:

  1. import random

  2. import requests

  3. import time

  4. import pymongo

  5. from bs4 import BeautifulSoup

  6. # 爬取代理的URL地址,选择的是西刺代理

  7. url_ip = "http://www.xicidaili.com/nt/"

  8. # 设定等待时间

  9. set_timeout = 5

  10. # 爬取代理的页数,2表示爬取2页的ip地址

  11. num = 2

  12. # 代理的使用次数

  13. count_time = 5

  14. # 构造headers

  15. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'}

  16. # 测试ip的URL

  17. url_for_test = 'http://httpbin.org/ip'

  18. def scrawl_xici_ip(num):

  19.    '''

  20.    爬取代理ip地址

  21.    '''  

  22.    ip_list = []

  23.    for num_page in range(1,num):

  24.        url = url_ip + str(num_page)

  25.        response = requests.get(url,headers=headers)

  26.        if response.status_code == 200:

  27.            content = response.text

  28.            soup = BeautifulSoup(content,'lxml')

  29.            trs = soup.find_all('tr')

  30.            for i in range(1,len(trs)):

  31.                tr = trs[i]

  32.                tds = tr.find_all('td')      

  33.                ip_item = tds[1].text + ':' + tds[2].text

  34.                # print(ip_item)

  35.                ip_list.append(ip_item)

  36.                ip_set = set(ip_list) # 去掉可能重复的ip

  37.                ip_list = list(ip_set)

  38.            time.sleep(count_time) # 等待5秒

  39.    return ip_list

  40. def ip_test(url_for_test,ip_info):

  41.    '''

  42.    测试爬取到的ip,测试成功则存入MongoDB

  43.    '''

  44.    for ip_for_test in ip_info:

  45.        # 设置代理

  46.        proxies = {

  47.            'http': 'http://' + ip_for_test,

  48.            'https': 'http://' + ip_for_test,

  49.            }

  50.        print(proxies)

  51.        try:

  52.            response = requests.get(url_for_test,headers=headers,proxies=proxies,timeout=10)

  53.            if response.status_code == 200:

  54.                ip = {'ip':ip_for_test}

  55.                print(response.text)

  56.                print('测试通过')

  57.                write_to_MongoDB(ip)    

  58.        except Exception as e:

  59.            print(e)

  60.            continue

  61. def write_to_MongoDB(proxies):

  62.    '''

  63.    将测试通过的ip存入MongoDB

  64.    '''

  65.    client = pymongo.MongoClient(host='localhost',port=27017)

  66.    db = client.PROXY

  67.    collection = db.proxies

  68.    result = collection.insert(proxies)

  69.    print(result)

  70.    print('存储MongoDB成功')

  71. def get_random_ip():

  72.    '''

  73.    随机取出一个ip

  74.    '''

  75.    client = pymongo.MongoClient(host='localhost',port=27017)

  76.    db = client.PROXY

  77.    collection = db.proxies

  78.    items = collection.find()

  79.    length = items.count()

  80.    ind = random.randint(0,length-1)

  81.    useful_proxy = items[ind]['ip'].replace('n','')

  82.    proxy = {

  83.        'http': 'http://' + useful_proxy,

  84.        'https': 'http://' + useful_proxy,

  85.        }  

  86.    response = requests.get(url_for_test,headers=headers,proxies=proxy,timeout=10)

  87.    if response.status_code == 200:

  88.        return useful_proxy

  89.    else:

  90.        print('此{ip}已失效'.format(useful_proxy))

  91.        collection.remove(useful_proxy)

  92.        print('已经从MongoDB移除')

  93.        get_random_ip()

  94. def main():

  95.    ip_info = []

  96.    ip_info = scrawl_xici_ip(2)

  97.    sucess_proxy = ip_test(url_for_test,ip_info)

  98.    finally_ip = get_random_ip()

  99.    print('取出的ip为:' + finally_ip)

  100. if __name__ == '__main__':

  101.    main()

当然了,免费的代理IP用来练手是没什么问题的,但是免费IP始终逃脱不了可用率低,速度慢等问题,所以企业用到代理IP的话,为了工作高效地运行,还是建议购买代理IP比较靠谱,快闪代理提供大量优质独享高匿动态IP,http/https/socks5/L2TP,支持指定城市。时长套餐灵活(1分钟/3分钟/5分钟/10分钟/30分钟),使用终端无限制,海量集群,吞吐高并发。可走合同开发票 , 完美解决各类爬虫方案。免费测试!


本文网址:http://www.flaship.cn/news/431.html

关键词:免费爬虫代理ip,python爬虫代理IP,python代理ip

最近浏览:

相关产品:

  • 在线客服
  • 联系电话
    19928800585
  • 在线咨询
  • 在线咨询