点击上方“程序员大咖”，选择“置顶公众号”

关键时刻，第一时间送达！

不知道大家有没有遇到过“访问频率太高”这样的网站提示，我们需要等待一段时间或者输入一个验证码才能解封，但这样的情况之后还是会出现。出现这个现象的原因就是我们所要爬取的网页采取了反爬虫的措施，比如当某个ip单位时间请求网页次数过多时，服务器会拒绝服务，这种情况就是由于访问频率引起的封ip，这种情况靠解封不能很好的解决，所以我们就想到了伪装本机ip去请求网页，也就是我们今天要讲的使用代理ip。

目前网上有许多代理ip，有免费的也有付费的，例如西刺代理等，免费的虽然不用花钱但有效的代理很少且不稳定，付费的可能会好一点，不过今天我只爬取免费的代理并将检测是否可用，将可用ip存入MongoDB，方便下次取出。

运行平台：Windows

Python版本：Python3.6

IDE: Sublime Text

其他：Chrome浏览器

简述流程为：

步骤1：了解requests代理如何使用

步骤2：从代理网页爬取到ip和端口

步骤3：检测爬取到的ip是否可用

步骤4：将爬取的可用代理存入MongoDB

步骤5：从存入可用ip的数据库里随机抽取一个ip,测试成功后返回

对于requests来说，代理的设置比较简单，只需要传入proxies参数即可。

不过需要注意的是，这里我是在本机安装了抓包工具Fiddler，并用它在本地端口8888创建了一个HTTP代理服务（用Chrome插件SwitchyOmega），即代理服务为：127.0.0.1:8888，我们只要设置好这个代理，就可以成功将本机ip切换成代理软件连接的服务器ip了。

1. import requests

2. proxy = '127.0.0.1:8888'

3. proxies = {

4.    'http':'http://' + proxy,

5.    'https':'http://' + proxy

6. }

7. try:

8.    response = requests.get('http://httpbin.org/get',proxies=proxies)

9.    print(response.text)

10. except requests.exceptions.ConnectionError as e:

11.    print('Error',e.args)

这里我是用来http://httpbin.org/get作为测试网站，我们访问该网页可以得到请求的有关信息，其中origin字段就是客户端ip，我们可以根据返回的结果判断代理是否成功。返回结果如下：

1. {

2.    "args":{}，

3.    "headers":{

4.        "Accept":"*/*",

5.        "Accept-Encoding":"gzip, deflate",

6.        "Connection":"close",

7.        "Host":"httpbin.org",

8.        "User-Agent":"python-requests/2.18.4"

9.    },

10.    "origin":"xx.xxx.xxx.xxx",

11.    "url":"http://httpbin.org/get"

12. }

接下来我们便开始爬取代理IP，首先我们打开Chrome浏览器查看网页，并找到ip和端口元素的信息。

可以看到，代理IP以表格存储ip地址及其相关信息，所以我们用BeautifulSoup提取时很方便便能提取出相关信息，但是我们需要注意的是，爬取的ip很有可能出现重复的现象，尤其是我们同时爬取多个代理网页又存储到同一数组中时，所以我们可以使用集合来去除重复的ip。

将要爬取页数的ip爬取好后存入数组，然后再对其中的ip逐一测试。

这里就用到了上面提到的requests设置代理的方法，我们使用http://httpbin.org/ip作为测试网站，它可以直接返回我们的ip地址，测试通过后再存入MomgoDB数据库。

连接数据库然后指定数据库和集合，再将数据插入就OK了。

最后运行查看一下结果吧

运行了一段时间后，难得看到一连三个测试通过，赶紧截图保存一下，事实上是，毕竟是免费代理，有效的还是很少的，并且存活时间确实很短，不过，爬取的量大，还是能找到可用的，我们只是用作练习的话，还是勉强够用的。现在看看数据库里存储的吧。

因为爬取的页数不多，加上有效ip也少，再加上我没怎么爬，所以现在数据库里的ip并不多，不过也算是将这些ip给存了下来。现在就来看看怎么随机取出来吧。

由于担心放入数据库一段时间后ip会失效，所以取出前我重新进行了一次测试，如果成功再返回ip，不成功的话就直接将其移出数据库。

这样我们需要使用代理的时候，就能通过数据库随时取出来了。

总的代码如下：

1. import random

2. import requests

3. import time

4. import pymongo

5. from bs4 import BeautifulSoup

6. # 爬取代理的URL地址，选择的是西刺代理

7. url_ip = "http://www.xicidaili.com/nt/"

8. # 设定等待时间

9. set_timeout = 5

10. # 爬取代理的页数，2表示爬取2页的ip地址

11. num = 2

12. # 代理的使用次数

13. count_time = 5

14. # 构造headers

15. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'}

16. # 测试ip的URL

17. url_for_test = 'http://httpbin.org/ip'

18. def scrawl_xici_ip(num):

19.    '''

20.    爬取代理ip地址

21.    '''  

22.    ip_list = []

23.    for num_page in range(1,num):

24.        url = url_ip + str(num_page)

25.        response = requests.get(url,headers=headers)

26.        if response.status_code == 200:

27.            content = response.text

28.            soup = BeautifulSoup(content,'lxml')

29.            trs = soup.find_all('tr')

30.            for i in range(1,len(trs)):

31.                tr = trs[i]

32.                tds = tr.find_all('td')      

33.                ip_item = tds[1].text + ':' + tds[2].text

34.                # print(ip_item)

35.                ip_list.append(ip_item)

36.                ip_set = set(ip_list) # 去掉可能重复的ip

37.                ip_list = list(ip_set)

38.            time.sleep(count_time) # 等待5秒

39.    return ip_list

40. def ip_test(url_for_test,ip_info):

41.    '''

42.    测试爬取到的ip，测试成功则存入MongoDB

43.    '''

44.    for ip_for_test in ip_info:

45.        # 设置代理

46.        proxies = {

47.            'http': 'http://' + ip_for_test,

48.            'https': 'http://' + ip_for_test,

49.            }

50.        print(proxies)

51.        try:

52.            response = requests.get(url_for_test,headers=headers,proxies=proxies,timeout=10)

53.            if response.status_code == 200:

54.                ip = {'ip':ip_for_test}

55.                print(response.text)

56.                print('测试通过')

57.                write_to_MongoDB(ip)    

58.        except Exception as e:

59.            print(e)

60.            continue

61. def write_to_MongoDB(proxies):

62.    '''

63.    将测试通过的ip存入MongoDB

64.    '''

65.    client = pymongo.MongoClient(host='localhost',port=27017)

66.    db = client.PROXY

67.    collection = db.proxies

68.    result = collection.insert(proxies)

69.    print(result)

70.    print('存储MongoDB成功')

71. def get_random_ip():

72.    '''

73.    随机取出一个ip

74.    '''

75.    client = pymongo.MongoClient(host='localhost',port=27017)

76.    db = client.PROXY

77.    collection = db.proxies

78.    items = collection.find()

79.    length = items.count()

80.    ind = random.randint(0,length-1)

81.    useful_proxy = items[ind]['ip'].replace(' ','')

82.    proxy = {

83.        'http': 'http://' + useful_proxy,

84.        'https': 'http://' + useful_proxy,

85.        }  

86.    response = requests.get(url_for_test,headers=headers,proxies=proxy,timeout=10)

87.    if response.status_code == 200:

88.        return useful_proxy

89.    else:

90.        print('此{ip}已失效'.format(useful_proxy))

91.        collection.remove(useful_proxy)

92.        print('已经从MongoDB移除')

93.        get_random_ip()

94. def main():

95.    ip_info = []

96.    ip_info = scrawl_xici_ip(2)

97.    sucess_proxy = ip_test(url_for_test,ip_info)

98.    finally_ip = get_random_ip()

99.    print('取出的ip为：' + finally_ip)

100. if __name__ == '__main__':

101.    main()

• zhihu.com/people/hdmi-blog

• 程序员大咖整理发布，转载请联系作者获得授权

【点击成为源码大神】