python:从零开始教你建立爬虫代理ip池
一、为什么需要建立爬虫代理ip池
在众多的网站防爬措施中,有一种是根据ip的访问频率进行限制的,在某段时间内,当某个ip的访问量达到一定的阀值时,该ip会被拉黑、在一段时间内被禁止访问。这种时候,可以通过降低爬虫的频率,或者更改ip来应对。后者就需要有一个可用的代理ip池,以供爬虫工作时切换。
二、如何建立一个爬虫代理ip池
思路: 1、找到一个免费的ip代理网站(如:西刺代理)2、爬取ip(常规爬取requests+BeautifulSoup)3、验证ip有效性(携带爬取到的ip,去访问指定的url,看返回的状态码是不是200)4、记录ip (写到文档)代码如下:
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import requests,threading,datetime
from bs4 import BeautifulSoup
import random"""
1、抓取西刺代理网站的代理ip
2、并根据指定的目标url,对抓取到ip的有效性进行验证
3、最后存到指定的path
"""# ------------------------------------------------------文档处理--------------------------------------------------------
# 写入文档
def write(path,text):with open(path,'a', encoding='utf-8') as f:f.writelines(text)f.write('\n')
# 清空文档
def truncatefile(path):with open(path, 'w', encoding='utf-8') as f:f.truncate()
# 读取文档
def read(path):with open(path, 'r', encoding='utf-8') as f:txt = []for s in f.readlines():txt.append(s.strip())return txt
# ----------------------------------------------------------------------------------------------------------------------
# 计算时间差,格式: 时分秒
def gettimediff(start,end):seconds = (end - start).secondsm, s = divmod(seconds, 60)h, m = divmod(m, 60)diff = ("%02d:%02d:%02d" % (h, m, s))return diff
# ----------------------------------------------------------------------------------------------------------------------
# 返回一个随机的请求头 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
# -----------------------------------------------------检查ip是否可用----------------------------------------------------
def checkip(targeturl,ip):headers =getheaders() # 定制请求头proxies = {"http": "http://"+ip, "https": "http://"+ip} # 代理iptry:response=requests.get(url=targeturl,proxies=proxies,headers=headers,timeout=5).status_codeif response == 200 :return Trueelse:return Falseexcept:return False#-------------------------------------------------------获取代理方法----------------------------------------------------
# 免费代理 XiciDaili
def findip(type,pagenum,targeturl,path): # ip类型,页码,目标url,存放ip的路径list={'1': 'http://www.xicidaili.com/nt/', # xicidaili国内普通代理'2': 'http://www.xicidaili.com/nn/', # xicidaili国内高匿代理'3': 'http://www.xicidaili.com/wn/', # xicidaili国内https代理'4': 'http://www.xicidaili.com/wt/'} # xicidaili国外http代理url=list[str(type)]+str(pagenum) # 配置urlheaders = getheaders() # 定制请求头html=requests.get(url=url,headers=headers,timeout = 5).textsoup=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].textis_avail = checkip(targeturl,ip)if is_avail == True:write(path=path,text=ip)print(ip)#-----------------------------------------------------多线程抓取ip入口---------------------------------------------------
def getip(targeturl,path):truncatefile(path) # 爬取前清空文档start = datetime.datetime.now() # 开始时间threads=[]for type in range(4): # 四种类型ip,每种类型取前三页,共12条线程for pagenum in range(3):t=threading.Thread(target=findip,args=(type+1,pagenum+1,targeturl,path))threads.append(t)print('开始爬取代理ip')for s in threads: # 开启多线程爬取s.start()for e in threads: # 等待所有线程结束e.join()print('爬取完成')end = datetime.datetime.now() # 结束时间diff = gettimediff(start, end) # 计算耗时ips = read(path) # 读取爬到的ip数量print('一共爬取代理ip: %s 个,共耗时: %s \n' % (len(ips), diff))#-------------------------------------------------------启动-----------------------------------------------------------
if __name__ == '__main__':path = 'ip.txt' # 存放爬取ip的文档pathtargeturl = 'http://www.cnblogs.com/TurboWay/' # 验证ip有效性的指定urlgetip(targeturl,path)
结果:
python:从零开始教你建立爬虫代理ip池相关推荐
- 如何建立爬虫代理ip池
目录 一.为什么需要建立爬虫代理ip池 二.如何建立一个爬虫代理ip池 原文地址:https://www.cnblogs.com/TurboWay/p/8172246.html 一.为什么需要建立爬虫 ...
- python 代理ip池_GitHub - xuan525/proxy_pool: Python爬虫代理IP池(proxy pool)
ProxyPool 爬虫代理IP池 ______ ______ _ | ___ \_ | ___ \ | | | |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | | | ...
- Linux + ProxyPool 搭建属于爬虫代理IP池
前言: 当爬虫达到一定速度时,大家都会遇到封Ip的情况,而搭建代理ip池是解决的最好方法,网络上有很多优秀的付费代理,但是作为白嫖党的我们又怎么能付钱那,本文将教会大家用一个成熟的开源项目搭建代理池. ...
- ProxyPool 爬虫代理IP池(分享)
GitHub - jhao104/proxy_pool: Python爬虫代理IP池(proxy pool)https://github.com/jhao104/proxy_pool/ProxyPoo ...
- Python爬虫-代理ip池建立
代理IP池建立 前言 之前提到过urllib和requests的利用代理ip的访问方式 . https://blog.csdn.net/zhouchen1998/article/details/813 ...
- python通过ip池爬_python 爬虫 代理ip池(适合初学者)
初次学习python爬虫的朋友在频繁访问被爬取页面网站时都会被拦截,也就是限制ip.这里教教大家建立代理ip池. #!/usr/bin/env python3# -*- coding: utf-8 - ...
- 从零开始构建自己的爬虫代理IP数据库并定期检验IP有效性...
ProxyIPPool 从零开始构建自己的代理IP池:根据代理IP网址抓取新的代理IP:对历史代理IP有效性验证 源码地址:https://github.com/TOMO-CAT/ProxyIPPoo ...
- 搭建一个自己的百万级爬虫代理ip池.
做爬虫抓取时,我们经常会碰到网站针对IP地址封锁的反爬虫策略.但只要有大量可用的代理IP资源,问题自然迎刃而解. 以前尝试过自己抓取网络上免费代理IP来搭建代理池,可免费IP质量参差不齐,不仅资源少. ...
- python 爬虫工具 butter_GitHub - TheButterflyOdor/proxy_pool: Python爬虫代理IP池(proxy pool)
爬虫IP代理池 ______ ______ _ | ___ \_ | ___ \ | | | |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | | | __/| _// ...
最新文章
- 排序算法 C++代码实现
- python3 的windows下文件操作注意问题
- Qt 进程使用 使用当前进程启动另外进程
- AT1219-歴史の研究(历史研究)【回滚莫队】
- 《深入理解Linux内核》笔记5:内存管理
- c# mysql 中文,c#操作mysql中文乱码的解决方案_c#应用
- spark++读写mysql_spark读写mysql
- python中的或运算_python入门:if语句中的逻辑运算符
- 配置vscode作为STM32代码的编辑器(替代keil5)。实现:代码自动补全, 编译,下载。nRF52也可以编译。
- 微信h5开发网页授权-本地如何开发调试?
- html图像css设置大小,关于html:CSS显示调整大小和裁剪的图像
- 去掉串口硬盘的安全删除硬件图标
- scrollTo不起作用
- 【C语言】运算符优先级
- 怎么给照片添加马赛克?这些方法值得收藏
- VUE 文字转语音播放的实现示例(亲测好用)
- ei eo eq什么意思_CMMI之功能点估算法:EI、EQ和EO
- 181216 MacOs上如何将多页PDF文件合成打印在一张PDF表单上面
- 读《史蒂芬·乔布斯传》有感
- AutoCAD Map 3D 2011 发布
热门文章
- 疫情病毒全部“抹杀”?
- 2022护士资格证考试专业知识模拟题
- (最简单)红米6 红米6A的USB调试模式在哪里开启的步骤
- python中argmin函数_python中argmin函数_Python numpy.argmin()用法及代码示例
- 解决更新Windows10后,鼠标右键点击文件卡死
- 做什么类型的网站容易挂google广告容易取得长久收入
- VS2010程序无错,编译后不出黑框
- coolshell.cn上个人喜欢的文章
- Java中double类型大小比较的五种方法
- shell常用正则表达式