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
______ ______ _
| ___ \_ | ___ \ | |
| |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | |
| __/| _// _ \ \ \/ /| | | || __// _ \ / _ \ | |
| | | | | (_) | > < \ |_| || | | (_) | (_) || |___
\_| |_| \___/ /_/\_\ \__ |\_| \___/ \___/ \_____\
__ / /
/___ /
下载安装
下载源码:
git clone git@github.com:jhao104/proxy_pool.git
或者直接到https://github.com/jhao104/proxy_pool 下载zip文件
安装依赖:
pip install -r requirements.txt
配置Config.ini:
# Config.ini 为项目配置文件
# 配置DB
type = SSDB # 如果使用SSDB或redis数据库,均配置为SSDB
host = localhost # db host
port = 8888 # db port
name = proxy # 默认配置
# 配置 ProxyGetter
freeProxyFirst = 1 # 这里是启动的抓取函数,可在ProxyGetter/getFreeProxy.py 扩展
freeProxySecond = 1
....
# 配置 HOST (api服务)
ip = 127.0.0.1 # 监听ip,0.0.0.0开启外网访问
port = 5010 # 监听端口
# 上面配置启动后,代理api地址为 http://127.0.0.1:5010
启动:
# 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
# 到Run目录下:
>>>python main.py
# 如果运行成功你应该看到有4个main.py进程
# 你也可以分别运行他们,
# 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可.
使用
启动过几分钟后就能看到抓取到的代理IP,你可以直接到数据库中查看,推荐一个SSDB可视化工具。
Api
api
method
Description
arg
/
GET
api介绍
None
/get
GET
随机获取一个代理
None
/get_all
GET
获取所有代理
None
/get_status
GET
查看代理数量
None
/delete
GET
删除代理
proxy=host:ip
爬虫使用
如果要在爬虫代码中使用的话, 可以将此api封装成函数直接使用,例如:
import requests
def get_proxy():
return requests.get("http://127.0.0.1:5010/get/").content
def delete_proxy(proxy):
requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))
# your spider code
def getHtml():
# ....
retry_count = 5
proxy = get_proxy()
while retry_count > 0:
try:
html = requests.get('https://www.example.com', proxies={"http": "http://{}".format(proxy)})
# 使用代理访问
return html
except Exception:
retry_count -= 1
# 出错5次, 删除代理池中代理
delete_proxy(proxy)
return None
扩展代理
项目默认包含几个免费的代理获取方法,但是免费的毕竟质量不好,所以如果直接运行可能拿到的代理质量不理想。所以,提供了代理获取的扩展方法。
添加一个新的代理获取方法如下:
1、首先在GetFreeProxy类中添加你的获取代理的静态方法,
该方法需要以生成器(yield)形式返回host:ip格式的代理,例如:
class GetFreeProxy(object):
# ....
# 你自己的方法
@staticmethod
def freeProxyCustom(): # 命名不和已有重复即可
# 通过某网站或者某接口或某数据库获取代理 任意你喜欢的姿势都行
# 假设你拿到了一个代理列表
proxies = ["139.129.166.68:3128", "139.129.166.61:3128", ...]
for proxy in proxies:
yield proxy
# 确保每个proxy都是 host:ip正确的格式就行
2、添加好方法后,修改Config.ini文件中的[ProxyGetter]项:
在Config.ini的[ProxyGetter]下添加自定义的方法的名字:
[ProxyGetter]
;register the proxy getter function
freeProxyFirst = 0 # 如果要取消某个方法,将其删除或赋为0即可
....
freeProxyCustom = 1 # 确保名字和你添加方法名字一致
ProxyRefreshSchedule会每隔一段时间抓取一次代理,下次抓取时会自动识别调用你定义的方法。
问题反馈
任何问题欢迎在Issues 中反馈,如果没有账号可以去 我的博客中留言。
你的反馈会让此项目变得更加完美。
贡献代码
本项目仅作为基本的通用的代理池架构,不接收特有功能(当然,不限于特别好的idea)。
本项目依然不够完善,如果发现bug或有新的功能添加,请在Issues中提交bug(或新功能)描述,在确认后提交你的代码。
这里感谢以下contributor的无私奉献:
python 爬虫工具 butter_GitHub - TheButterflyOdor/proxy_pool: Python爬虫代理IP池(proxy pool)相关推荐
- 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 ______ ______ _ | ___ \_ | ___ \ | | | |_/ / \__ __ __ _ __ _ | |_/ /___ ___ | | | ...
- 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构造代理IP池提高访问量
1.构造代理ip池: def create_proxy_pool():# 从西拉免费ip代理网站获取代理IP列表r = requests.get('https://www.kuaidaili.com/ ...
- Python爬虫添加代理IP池(新手)
给爬虫添加代理IP池 我们在运行爬虫的过程中由于请求次数过多经常会遇到被封IP的情况,这时就需要用到代理IP来解决.代理IP的原理,简单来说就像在本机和web服务器之间开一个中转站,把本机的请求交给代 ...
- Python爬虫伪装,请求头User-Agent池,和代理IP池搭建使用
一.前言 在使用爬虫的时候,很多网站都有一定的反爬措施,甚至在爬取大量的数据或者频繁地访问该网站多次时还可能面临ip被禁,所以这个时候我们通常就可以找一些代理ip,和不用的浏览器来继续爬虫测试.下面就 ...
- Python爬虫热点项目之实现代理IP池(IP proxy pool)
代理池概述 代理池就是由多个稳定可用代理IP组成的池子.用来应对ip反爬,而网上的免费代理稳定可用的极少,更有甚者连收费的也不都是稳定可用. 开发环境: windous,python3,sublime ...
- 【python】爬虫入门:代理IP池的使用、文件的写入与网易云爬取时的注意事项
一.概述 在两天前实现利用爬虫爬取网易云音乐用户的各类公开信息之后,我对现有爬虫进行了功能上的增加.主要有: ①.使用代理IP池防止IP被封: ②.将爬取用户的听歌记录.歌单.关注.粉丝这四类数据的代 ...
- 干货分享,使用python爬虫构建免费代理IP池
在使用python爬虫的时候,经常会遇见所要爬取的网站采取了反爬取技术,高强度.高效率地爬取网页信息常常会给网站服务器带来巨大压力,所以同一个IP反复爬取同一个网页,就很可能被封,那如何解决呢?使用代 ...
- python爬虫设置代理ip池
在使用python爬虫的时候,经常会遇见所要爬取的网站采取了反爬取技术,高强度.高效率地爬取网页信息常常会给网站服务器带来巨大压力,所以同一个IP反复爬取同一个网页,就很可能被封,那如何解决呢?使用代 ...
最新文章
- 盘点程序员写过的惊天Bug:亏损30亿、致6人死亡,甚至差点毁灭世界
- 日本京都大学 77TB重要数据被删;元宇宙要凉?Meta停止开发 VR/AR系统。 | 一周 IT 资讯...
- SQLSERVER2014中的新功能
- TextView 的ScrollView滚动效果
- MySQL第10天:MySQL索引优化分析之索引介绍
- ubuntu下vscode使用cmake编译运行c++配置文件
- 用windows通过xrdp远程连接到ubuntu16后 Tab键无法使用
- ssm框架中mysql的分页_SSM框架中mapper层,增删改查,如何实现
- 手机投屏不是全屏怎么办_手机投屏怎么设置全屏
- 计算机打字键盘亮怎么设置,电脑键盘灯亮无法打字怎么解决?
- java apktool if_apktool使用教程
- 淘咖啡:阿里无人咖啡馆效果图
- 个性化精简掉了Win10便签顶部如何恢复
- mysql函数 优化_Mysql函数求优化解决思路
- 小程序如何跳转到第三方H5页面
- 数组的c语言代码带注释,C语言之数组
- 人工智能是怎么准备训练样本的
- 计算机学科专业基础综合科目(408)
- 如何解锁物联网低代码平台操作日志功能?
- 漏洞解决方案-跨站请求伪造漏洞
热门文章
- springboot开启debug日志_SpringBoot 如何优雅的打印日志?
- linux 查找tomcat目录,linux下通过tomcat访问某路径下的文件
- python 绘制分布直方图_统计学中常见的4种抽样分布及其分布曲线(Python绘制)...
- 厉害了,这个省未来5年将投入63亿人民币扶持博士博士后!
- (pytorch-深度学习系列)使用重复元素的网络(VGG)
- java 继承作用_java三大特性之继承
- 手把手教你写平衡二叉树
- KMP 深度讲解next数组的求解
- 说一说阿里云弹性公网IP那些事
- Flutter for Web 详细预研