ITPub博客

首页 > 大数据 > 数据挖掘 > 如何建立爬虫代理ip池

如何建立爬虫代理ip池

数据挖掘 作者:犀牛小牛 时间:2019-04-25 16:05:51 0 删除 编辑

 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。这个就是更换IP软件。
   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)
#!/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
            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).seconds
                m, 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ip
                try:
                    response=requests.get(url=targeturl,proxies=proxies,headers=headers,timeout=5).status_code
                    if response == 200 :
                        return True
                    else:
                        return False
                except:
                    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url
                headers = getheaders() # 定制请求头
                html=requests.get(url=url,headers=headers,timeout = 5).text
                soup=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].text
                    is_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path
                targeturl = 'http://www.cnblogs.com/TurboWay/' # 验证ip有效性的指定url
            getip(targeturl,path)  http网页在线代理


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31555707/viewspace-2642531/,如需转载,请注明出处,否则将追究法律责任。

下一篇: 没有了~
请登录后发表评论 登录
全部评论

注册时间:2018-09-27

  • 博文量
    21
  • 访问量
    14206