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
用python实现简单EXCEL数据统计的实例
Jan 24 Python
python 计算两个日期相差多少个月实例代码
May 24 Python
python+opencv实现动态物体追踪
Jan 09 Python
利用Python将数值型特征进行离散化操作的方法
Nov 06 Python
python实现杨氏矩阵查找
Mar 02 Python
详解如何设置Python环境变量?
May 13 Python
python中利用numpy.array()实现俩个数值列表的对应相加方法
Aug 26 Python
Python实现桌面翻译工具【新手必学】
Feb 12 Python
Python字典取键、值对的方法步骤
Sep 30 Python
python爬虫用scrapy获取影片的实例分析
Nov 23 Python
Python基础之操作MySQL数据库
May 06 Python
Django框架中表单的用法
Jun 10 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
php中get_meta_tags()、CURL与user-agent用法分析
2014/12/16 PHP
php检测apache mod_rewrite模块是否安装的方法
2015/03/14 PHP
JQUERY 浏览器判断实现函数
2009/08/20 Javascript
我的javascript 函数链之演变
2011/04/07 Javascript
浅析js中取绝对值的2种方法
2013/07/09 Javascript
js 鼠标移动显示图片的简单实例
2013/12/25 Javascript
Javascript调用函数方法的几种方式介绍
2015/03/20 Javascript
js实现的二分查找算法实例
2016/01/21 Javascript
浅析Javascript中bind()方法的使用与实现
2016/05/30 Javascript
JS触发服务器控件的单击事件(详解)
2016/08/06 Javascript
利用vue + koa2 + mockjs模拟数据的方法教程
2017/11/22 Javascript
vue项目中axios使用详解
2018/02/07 Javascript
在vue中获取token,并将token写进header的方法
2018/09/26 Javascript
angularJS自定义directive之带参方法传递详解
2018/10/09 Javascript
react脚手架如何配置less和ant按需加载的方法步骤
2018/11/28 Javascript
vue cli 3.x 项目部署到 github pages的方法
2019/04/17 Javascript
vue-cli3 配置开发与测试环境详解
2019/05/17 Javascript
vue2 拖动排序 vuedraggable组件的实现
2019/08/08 Javascript
vue.js的简单自动求和计算实例
2019/11/08 Javascript
JS实现可控制的进度条
2020/03/25 Javascript
[01:02:34]TFT vs VGJ.T Supermajor 败者组 BO3 第二场 6.5
2018/06/06 DOTA
python使用any判断一个对象是否为空的方法
2014/11/19 Python
Python深入06——python的内存管理详解
2016/12/07 Python
一行python实现树形结构的方法
2019/08/09 Python
Pycharm Git 设置方法
2020/09/15 Python
python help函数实例用法
2020/12/06 Python
详解基于Facecognition+Opencv快速搭建人脸识别及跟踪应用
2021/01/21 Python
基于Canvas+Vue的弹幕组件的实现
2019/07/23 HTML / CSS
应届生高等护理求职信
2013/10/12 职场文书
优秀的自荐信要注意哪些
2014/01/03 职场文书
优秀教师获奖感言
2014/01/31 职场文书
2015年汽车销售工作总结
2015/04/07 职场文书
运动会三级跳加油稿
2015/07/21 职场文书
python图片灰度化处理的几种方法
2021/06/23 Python
Win11绿屏怎么办?Win11绿屏死机的解决方法
2021/11/21 数码科技
nginx代理实现静态资源访问的示例代码
2022/07/07 Servers