如何建立爬蟲代理ip池

犀牛小牛發表於2019-04-25
爬蟲

 一、為什麼需要建立爬蟲代理ip池

在眾多的網站防爬措施中，有一種是根據ip的訪問頻率進行限制的，在某段時間內，當某個ip的訪問量達到一定的閥值時， 該ip會被拉黑、在一段時間內被禁止訪問這種時候，可以透過降低爬蟲的頻率，或者更改ip來應對。後者就需要有一個可 用的代理ip池，以供爬蟲工作時切換。這個就是更換IP軟體。
   二、如何建立一個爬蟲代理ip池
思路：
1、找到一個免費的ip代理網站(如：西刺代理)
2、爬取ip（常規爬取requests+BeautifulSoup）
3、驗證ip有效性（攜帶爬取到的ip，去訪問指定的url，看返回的狀態碼是不是200）
4、記錄ip （寫到文件）
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import requests,threading,datetime
from bs4 import BeautifulSoup
import random
1、抓取西刺代理網站的代理ip
2、並根據指定的目標url,對抓取到ip的有效性進行驗證
3、最後存到指定的path
文件處理 
            def write(path,text):
             with open(path,'a', encoding='utf-8') as f:
                     f.writelines(text)
                     f.write('\n')
清空文件 
            def truncatefile(path):
             with open(path, 'w', encoding='utf-8') as f:
                     f.truncate()
讀取文件 
            def read(path):
                with open(path, 'r', encoding='utf-8') as f:
                    txt = []
                    for s in f.readlines():
                        txt.append(s.strip())
                return txt
計算時間差,格式: 時分秒 
            def gettimediff(start,end):
                seconds = (end - start).seconds
                m, s = divmod(seconds, 60)
                h, m = divmod(m, 60)
                diff = ("%02d:%02d:%02d" % (h, m, s))
                return diff
返回一個隨機的請求頭 headers 
    def getheaders():user_agent_list = [ \
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \
     "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
     "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \
     "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \
     "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \
     "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
     "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \
     "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
     "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
                ]
            UserAgent=random.choice(user_agent_list)
            headers = {'User-Agent': UserAgent}
            return headers
檢查ip是否可用 
            def checkip(targeturl,ip):
                headers =getheaders()  # 定製請求頭
                proxies = {"http": "}  # 代理ip
                try:
                    response=requests.get(url=targeturl,proxies=proxies,headers=headers,timeout=5).status_code
                    if response == 200 :
                        return True
                    else:
                        return False
                except:
                    return False
獲取代理方法 免費代理 XiciDaili 
            def findip(type,pagenum,targeturl,path): # ip型別,頁碼,目標url,存放ip的路徑
                list={'1': '國內普通代理
                      '2': '國內高匿代理
                      '3': '國內https代理
                      '4': '} # xicidaili國外http代理
                url=list[str(type)]+str(pagenum) # 配置url
                headers = getheaders() # 定製請求頭
                html=requests.get(url=url,headers=headers,timeout = 5).text
                soup=BeautifulSoup(html,'lxml')
                all=soup.find_all('tr',class_='odd')
                for i in all:
                    t=i.find_all('td')
                    ip=t[1].text+':'+t[2].text
                    is_avail = checkip(targeturl,ip)
                    if is_avail == True:
                        write(path=path,text=ip)
                        print(ip)
多執行緒抓取ip入口 
           def getip(targeturl,path):
             truncatefile(path) # 爬取前清空文件
             start = datetime.datetime.now() # 開始時間
             threads=[]
             for type in range(4):   # 四種型別ip,每種型別取前三頁,共12條執行緒
                 for pagenum in range(3):
                     t=threading.Thread(target=findip,args=(type+1,pagenum+1,targeturl,path))
                     threads.append(t)
             print('開始爬取代理ip')
             for s in threads: # 開啟多執行緒爬取
                 s.start()
             for e in threads: # 等待所有執行緒結束
                 e.join()
             print('爬取完成')
             end = datetime.datetime.now() # 結束時間
             diff = gettimediff(start, end)  # 計算耗時
             ips = read(path)  # 讀取爬到的ip數量
             print('一共爬取代理ip: %s 個,共耗時: %s \n' % (len(ips), diff))
啟動 
               if __name__ == '__main__':
                path = 'ip.txt' # 存放爬取ip的文件path
                targeturl = 'http://www.cnblogs.com/TurboWay/' # 驗證ip有效性的指定url
            getip(targeturl,path)  http網頁線上代理
如何建立爬蟲代理ip池
如何建立爬蟲代理ip池


來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31555707/viewspace-2642531/，如需轉載，請註明出處，否則將追究法律責任。

相關文章