Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)


目录

  • 前言
  • 构建IP池的目的
  • 爬取目标
  • 准备工作
  • 代码分析
    • 第一步
    • 第二步
    • 第三步
    • 第四步
    • 第五步
    • 完整代码
    • 使用方法

前言
博主开始更新爬虫实战教程了,期待你的关注!!!
第一篇:Python爬虫实战(一):翻页爬取数据存入SqlServer
第二篇:Python爬虫实战(二):爬取快代理构建代理IP池
点赞收藏博主更有创作动力哟,以后常更!!!
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

构建IP池的目的 使用爬虫时,大部分网站都有一定的反爬措施,有些网站会限制每个 IP 的访问速度或访问次数,超出了它的限制你的 IP 就会被封掉。对于访问速度的处理比较简单,只要间隔一段时间爬取一次就行了,避免频繁访问;而对于访问次数,就需要使用代理 IP 来帮忙了,使用多个代理 IP 轮换着去访问目标网址可以有效地解决问题。
目前网上有很多的代理服务网站提供代理服务,也提供一些免费的代理,但可用性较差,如果需求较高可以购买付费代理,可用性较好。当然我们也可以自己构建代理池,从各种代理服务网站中免费获取代理 IP,并检测其可用性(去访问百度),再保存到文件中,需要使用的时候再调用。
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

爬取目标 我们要爬取的网页是:https://www.kuaidaili.com/free/inha/
红色框就是我们要爬取的内容:
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

博主爬取最后实现的效果如下:
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

准备工作 我用的是python3.8,VScode编辑器,所需的库有:requests、etree、time
开头导入所需用到的导入的库:
import requests # python基础爬虫库 from lxml import etree # 可以将网页转换为Elements对象 import time # 防止爬取过快可以睡眠一秒

准备就绪开始代码分析!
代码分析 Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

先讲讲我的整体思路在逐步分析
  • 第一步:构造主页url地址,发送请求获取响应
  • 第二步:解析数据,将数据分组
  • 第三步:将数组的数据提取出来
  • 第四步:检测代理IP的可用性
  • 第五步:保存到文件中
第一步
构造主页的url地址,发送请求获取响应
# 1.发送请求,获取响应 def send_request(self,page): print("=============正在抓取第{}页===========".format(page)) # 目标网页,添加headers参数 base_url = 'https://www.kuaidaili.com/free/inha/{}/'.format(page) headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求:模拟浏览器发送请求,获取响应数据 response = requests.get(base_url,headers=headers) data = https://www.it610.com/article/response.content.decode() time.sleep(1)return data

这会就有小伙伴不明白了,你headers什么意思啊?
  • 防止服务器把我们认出来是爬虫,所以模拟浏览器头部信息,向服务器发送消息
  • 这个 “装” 肯定必须是要装的!!!
    Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
    文章图片
第二步
解析数据,将数据分组
从下图可以看出,我们需要的数据都在tr标签中
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

所以分组取到tr标签下:
# 2.解析数据 def parse_data(self,data):# 数据转换 html_data =https://www.it610.com/article/etree.HTML(data) # 分组数据 parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')return parse_list

第三步
提取分组中我们需要的数据,IP,类型和端口号
parse_list = self.parse_data(data) for tr in parse_list: proxies_dict= {} http_type = tr.xpath('./td[4]/text()') ip_num = tr.xpath('./td[1]/text()') port_num = tr.xpath('./td[2]/text()') http_type = ' '.join(http_type) ip_num = ' '.join(ip_num) port_num = ' '.join(port_num) proxies_dict[http_type] = ip_num + ":" + port_num proxies_list.append(proxies_dict)

这里做了拼接,{'HTTP': '36.111.187.154:8888'}这种形式存入列表,方便我们使用!
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

第四步
检测IP的可用性,因为是免费的IP所以有一些可能用不了,有一些访问速度较慢,这里我们让拼接好的ip去访问某度0.1秒能访问成功的保存在另一个列表中!
def check_ip(self,proxies_list): headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'} can_use = [] for proxies in proxies_list: try: response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1) if response.status_code == 200: can_use.append(proxies) except Exception as e: print(e) return can_use

Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

第五步
将访问速度不错的ip保存在文件中,方便我们调用
def save(self,can_use): file = open('IP.txt', 'w') for i in range(len(can_use)): s = str(can_use[i])+ '\n' file.write(s) file.close()

完整代码
import requests from lxml import etree import timeclass daili:# 1.发送请求,获取响应 def send_request(self,page): print("=============正在抓取第{}页===========".format(page)) # 目标网页,添加headers参数 base_url = 'https://www.kuaidaili.com/free/inha/{}/'.format(page) headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求:模拟浏览器发送请求,获取响应数据 response = requests.get(base_url,headers=headers) data = response.content.decode() time.sleep(1)return data# 2.解析数据 def parse_data(self,data):# 数据转换 html_data =https://www.it610.com/article/etree.HTML(data) # 分组数据 parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')return parse_list# 4.检测代理IP def check_ip(self,proxies_list): headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}can_use = [] for proxies in proxies_list: try: response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1) if response.status_code == 200: can_use.append(proxies)except Exception as e: print(e)return can_use# 5.保存到文件 def save(self,can_use):file = open('IP.txt', 'w') for i in range(len(can_use)): s = str(can_use[i])+ '\n' file.write(s) file.close()# 实现主要逻辑 def run(self): proxies_list = [] # 实现翻页,我这里只爬取了四页(可以修改5所在的数字) for page in range(1,5): data = https://www.it610.com/article/self.send_request(page) parse_list = self.parse_data(data) # 3.获取数据 for tr in parse_list: proxies_dict= {} http_type = tr.xpath('./td[4]/text()') ip_num = tr.xpath('./td[1]/text()') port_num = tr.xpath('./td[2]/text()')http_type = ' '.join(http_type) ip_num = ' '.join(ip_num) port_num = ' '.join(port_num)proxies_dict[http_type] = ip_num + ":" + port_numproxies_list.append(proxies_dict)print("获取到的代理IP数量:",len(proxies_list))can_use = self.check_ip(proxies_list)print("能用的代理IP数量:",len(can_use)) print("能用的代理IP:",can_use) self.save(can_use)if __name__ == "__main__": dl = daili() dl.run()

启动后的效果如下:
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

并生成文件:
【Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)】Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

O了O了!!!
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

使用方法 IP保存在文件中了,可有一些小伙伴还不知道怎么去使用?
这里我们需要实现,从文件中随机取出一个IP去访问网址,用到了random
import random import requests# 打开文件,换行读取 f=open("IP.txt","r") file = f.readlines()# 遍历并分别存入列表,方便随机选取IP item = [] for proxies in file: proxies = eval(proxies.replace('\n','')) # 以换行符分割,转换为dict对象 item.append(proxies)proxies = random.choice(item)# 随机选取一个IPurl = 'https://www.baidu.com/' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}response = requests.get(url,headers=headers,proxies=proxies) print(response.status_code) # 输出状态码 200,表示访问成功

有讲的不对的地方,希望各位大佬指正!!!,如果有不明白的地方评论区留言回复!兄弟们来个点赞收藏有空就更新爬虫实战!!!
Python爬虫实战100例|Python爬虫实战(二)(爬取快代理构建代理IP池)
文章图片

    推荐阅读