爬虫代理ip(python3)

 2025-08-12 18:30:01  阅读 829  评论 0

摘要: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

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)

「python3」如何建立爬虫代理ip池

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).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):

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:

s.start()

for e in threads:

e.join()

print('爬取完成')

#-------------------------------------------------------启动-----------------------------------------------------------

path = '动态定制ip.txt' # 存放爬取ip的文档path

truncatefile(path)

targeturl = 'https://movie.douban.com/subject/1291583/' # 验证ip有效性的指定url

start = datetime.datetime.now()

getip(targeturl,path)

ips = read(path) # 读取爬到的ip数量

end = datetime.datetime.now()

diff = gettimediff(start,end) # 计算耗时

print('一共爬取代理ip: %s 个,共耗时: %s \n' %(len(ips),diff))

结果:

「python3」如何建立爬虫代理ip池

「python3」如何建立爬虫代理ip池

版权声明:我们致力于保护作者版权,注重分享,被刊用文章【爬虫代理ip(python3)】因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!;

原文链接:https://www.yxiso.com/zhishi/2081581.html

标签:爬虫代理ip

发表评论:

关于我们
院校搜的目标不仅是为用户提供数据和信息,更是成为每一位学子梦想实现的桥梁。我们相信,通过准确的信息与专业的指导,每一位学子都能找到属于自己的教育之路,迈向成功的未来。助力每一个梦想,实现更美好的未来!
联系方式
电话:
地址:广东省中山市
Email:beimuxi@protonmail.com

Copyright © 2022 院校搜 Inc. 保留所有权利。 Powered by BEIMUCMS 3.0.3

页面耗时0.0630秒, 内存占用1.93 MB, 访问数据库23次

陕ICP备14005772号-15