python打造爬虫代理池过程解析


Posted in Python onAugust 15, 2019

最近在使用爬虫爬取数据时,经常会返回403代码,大致意思是该IP访问过于频繁,被限制访问。限制IP访问网站最常用的反爬手段了,其实破解也很容易,就是在爬取网站是使用代理即可,这个IP被限制了,就使用其他的IP。对于高大上的公司来说,他们基本都使用收费的代理,基本不会有什么问题,比较稳定。像我这样的矮矬穷,肯定是用不起收费的代理。一般都是使用国内免费的代理,网上也有很多提供免费的代理。

很多人都是从网上爬取一批免费的代理IP,存放在存储媒介中,例如excel文件或者数据库。定时维护代理,保证代理可用。这个做法有个缺点,有些机器上并没有装有excel或者mysql、redis等数据库,这就导致了的代理池无法正常使用。

我之前是做java开发的,经常会把一些常用的数据放在ArrayList中,使用起来非常方便,效率高,因此借鉴之前在java方面的经验,将代理IP爬取下来存放在list列表中中,将list列表当做一个代理池,经常维护这个池里的代理。

我经常爬取免费代理的网站xicidaili swei360等,这些免费的代理足够我使用了,能够应付大多数的爬虫工作。爬取过程需要用到requests和pyquery库,没有安装的同学自行安装。

首先介绍下爬取xicidaili网站的过程, 要先定义一个方法用于抓取xicidaili网站的,参数有两个,一个是url,另外一个是要爬取代理网页的页数,也就是要爬几页,方法如下:

def get_xicidaili_proxy(url,page):
  for i in range(1,page):
    headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
    response = requests.get(url + str(i), headers=headers)

    html = response.text
    doc = pq(html)
    ip_list = doc('#ip_list')('tr:gt(0)').items()
    for item in ip_list:
      ip = item.find('td:nth-child(2)').text()
      port = item.find('td:nth-child(3)').text()
      http_type = item.find('td:nth-child(6)').text()
      proxy_ip = http_type + "://" + ip + ":" + port
      if http_type == 'HTTP':
        http_proxy_pool.append(proxy_ip)
      elif http_type == 'HTTPS':
        https_proxy_pool.append(proxy_ip)
      # print(proxy_ip)

定义了http_proxy_pool和https_proxy_pool两个list变量,用于存储http类型和https类型的代理。 使用PyQuery根据css伪选择器提取出ip,端口和http类型信息,并按照http:// + ip+port的方式组合成一个字符串,存储在已经定义好的http_proxy_tool和https_proxy_pool变量中。

爬取swei360网站代理的方法就不贴出来了,原理和爬取xicidaili网站是一样的。

一个代理在使用之前要判断是否可用,我们使用request的get请求的返回代码判断代理是否可用,返回200,就说明代理可用,返回其他的代码就表示代理不可用,代码如下:

def detect_proxy(test_url,http_type,proxy):
  headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
  proxy={
    http_type : proxy
  }
  try:
    response = requests.get(test_url,proxies=proxy,headers=headers)
    if response.status_code in [200]:
      print('代理可用',proxy)
      return True
    else:
      print('代理不可用', proxy);
      delete_proxy(http_type,proxy)
      return False
  except(requests.exceptions.ProxyError,RequestException):
    print('代理不可用', proxy)
    delete_proxy(http_type, proxy)
    return False

定义了detect_proxy方法用于检测代理是否可用,有三个参数,分别是测试网址,代理类型(http和https)和代理IP。当requests的请求返回200代码时,就表示该代理可用,返回True,否则就是不可用,返回False。当遇到request异常或者其他的错误也认为代理不可用,返回False。对于不可用的代理,要从代理池中删除。

从代理池中获取代理时,我们使用的是从代理池中随机返回一个代理,这样就避免经常使用一个代理,从而遭到拒绝访问。代码如下:

def get_https_proxy():
  proxy_ip = random.choice(https_proxy_pool)
  return proxy_ip

def get_http_proxy():
  proxy_ip = random.choice(http_proxy_pool)
  return proxy_ip

为了保证代理的可用,当检测到一个代理不可用时,要及时的清理掉。就是从http_proxy_pool和https_proxy_pool列表中删除。

一个简单的爬虫代理池已经搭建好,总结下爬虫代理池搭建的过程:

  • 从免费的代理网站上爬取代理信息,存放在列表中。
  • 提供从代理池中随机获取代理的方法。http类型的网站要使用http类型的代理,https类型的网站要使用https类型的代理,因此分别提供获取http和https类型代理的方法。
  • 提供检测代理是否可用的方法,代理可用返回True,不可用返回False。
  • 提供删除代理的方法。

这个代理池其实相当的简单,有一个弊端就是在检测代理是否可用时,如果返回的不是200代码就认为代理不可用,返回其他代码的情况有很多,例如网络不可用、测试网站不可访问等。比较好的做法是给每个代理设置一个分值,例如10分,如果检测到不可用就减1,当分数为0时,就确定该代理不可用,直接从代理池中移除。检测到代理可用,就将分数设为10分。

这种做法给每个检测到不可用代理一个改邪归正的机会,不至于一刀切的抛弃掉。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python实现简单状态框架的方法
Mar 19 Python
python验证码识别的实例详解
Sep 09 Python
Flask框架Jinjia模板常用语法总结
Jul 19 Python
Python数据类型之String字符串实例详解
May 08 Python
Python的matplotlib绘图如何修改背景颜色的实现
Jul 16 Python
Python input函数使用实例解析
Nov 22 Python
Pandas —— resample()重采样和asfreq()频度转换方式
Feb 26 Python
Pycharm中import torch报错的快速解决方法
Mar 05 Python
使用Python爬虫爬取小红书完完整整的全过程
Jan 19 Python
Django 如何实现文件上传下载
Apr 08 Python
pytorch通过训练结果的复现设置随机种子
Jun 01 Python
Python 中的 copy()和deepcopy()
Nov 07 Python
使用selenium和pyquery爬取京东商品列表过程解析
Aug 15 #Python
如何爬取通过ajax加载数据的网站
Aug 15 #Python
Python K最近邻从原理到实现的方法
Aug 15 #Python
Python数据可视化 pyecharts实现各种统计图表过程详解
Aug 15 #Python
浅谈Python 敏感词过滤的实现
Aug 15 #Python
pycharm创建scrapy项目教程及遇到的坑解析
Aug 15 #Python
通过selenium抓取某东的TT购买记录并分析趋势过程解析
Aug 15 #Python
You might like
PHP5+UTF8多文件上传类
2008/10/17 PHP
php pack与unpack 摸板字符字符含义
2009/10/29 PHP
简单谈谈PHP中的include、include_once、require以及require_once语句
2016/04/23 PHP
关于php几种字符串连接的效率比较(详解)
2017/02/22 PHP
PHP获取文件扩展名的方法实例总结
2017/06/10 PHP
PHP使用preg_split和explode分割textarea存放内容的方法分析
2017/07/03 PHP
php+Ajax无刷新验证用户名操作实例详解
2019/03/04 PHP
PHP实现的AES 128位加密算法示例
2019/09/16 PHP
JObj预览一个JS的框架
2008/03/13 Javascript
模拟jQuery ajax服务器端与客户端通信的代码
2011/03/28 Javascript
封装了jQuery的Ajax请求全局配置
2015/02/05 Javascript
jquery实现动态操作select选中
2015/02/11 Javascript
JS处理json日期格式化问题
2015/10/01 Javascript
解决vue 按钮多次点击重复提交数据问题
2018/05/10 Javascript
jQuery实现弹出层效果
2019/12/10 jQuery
Vue组件通信$attrs、$listeners实现原理解析
2020/09/03 Javascript
用Python实现QQ游戏大家来找茬辅助工具
2014/09/14 Python
python中urllib模块用法实例详解
2014/11/19 Python
Python实现在线程里运行scrapy的方法
2015/04/07 Python
wxpython中Textctrl回车事件无效的解决方法
2016/07/21 Python
Python操作Access数据库基本步骤分析
2016/09/19 Python
详细解读tornado协程(coroutine)原理
2018/01/15 Python
Python查找第n个子串的技巧分享
2018/06/27 Python
python实现自动解数独小程序
2019/01/21 Python
Python使用post及get方式提交数据的实例
2019/01/24 Python
PyQt5响应回车事件的方法
2019/06/25 Python
使用css3制作登录表单的步骤
2014/04/07 HTML / CSS
Free People中国官网:波西米亚风格女装服饰
2016/08/30 全球购物
英国高街奥特莱斯:Highstreet Outlet
2019/11/21 全球购物
网络工程系信息安全技术专业大学生求职信
2013/10/22 职场文书
2014年道德讲堂实施方案
2014/03/05 职场文书
世界名著读书笔记
2015/06/25 职场文书
升职感谢领导的话语及升职感谢信
2019/06/24 职场文书
2019年新郎保证书3篇
2019/10/17 职场文书
CSS3 制作的彩虹按钮样式
2021/04/11 HTML / CSS
ObjectMapper 如何忽略字段大小写
2021/06/29 Java/Android