用Python爬虫抓取免费代理IP

--  Illustrations by Ash Thorp & Maciej Kuciara --


♚
作者：HDMI，JUST WANT AND JUST DO

blog地址：zhihu.com/people/hdmi-blog





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。



*
import requests

*


*
proxy = '127.0.0.1:8888'

*
proxies = {

*
   'http':'http://' + proxy,

*
   'https':'http://' + proxy

*
}

*


*
try:

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

*
   print(response.text)

*
except requests.exceptions.ConnectionError as e:

*
   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：

*
{

*
   "args":{}，

*
   "headers":{

*
       "Accept":"*/*",

*
       "Accept-Encoding":"gzip, deflate",

*
       "Connection":"close",

*
       "Host":"httpbin.org",

*
       "User-Agent":"python-requests/2.18.4"

*
   },

*
   "origin":"xx.xxx.xxx.xxx",

*
   "url":"http://httpbin.org/get"

*
}

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：

*
import random

*
import requests

*
import time

*
import pymongo

*
from bs4 import BeautifulSoup

*


*


*
# 爬取代理的URL地址，选择的是西刺代理

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

*


*
# 设定等待时间

*
set_timeout = 5

*


*
# 爬取代理的页数，2表示爬取2页的ip地址

*
num = 2

*


*
# 代理的使用次数

*
count_time = 5

*


*
# 构造headers

*
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'}

*


*
# 测试ip的URL

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

*


*


*
def scrawl_xici_ip(num):

*
   '''

*
   爬取代理ip地址

*
   '''  

*
   ip_list = []

*
   for num_page in range(1,num):

*
       url = url_ip + str(num_page)

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

*
       if response.status_code == 200:

*
           content = response.text

*
           soup = BeautifulSoup(content,'lxml')

*
           trs = soup.find_all('tr')

*
           for i in range(1,len(trs)):

*
               tr = trs[i]

*
               tds = tr.find_all('td')      

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

*
               # print(ip_item)

*
               ip_list.append(ip_item)

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

*
               ip_list = list(ip_set)

*
           time.sleep(count_time) # 等待5秒

*
   return ip_list

*


*


*
def ip_test(url_for_test,ip_info):

*
   '''

*
   测试爬取到的ip，测试成功则存入MongoDB

*
   '''

*
   for ip_for_test in ip_info:

*
       # 设置代理

*
       proxies = {

*
           'http': 'http://' + ip_for_test,

*
           'https': 'http://' + ip_for_test,

*
           }

*
       print(proxies)

*
       try:

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

*
           if response.status_code == 200:

*
               ip = {'ip':ip_for_test}

*
               print(response.text)

*
               print('测试通过')

*
               write_to_MongoDB(ip)    

*
       except Exception as e:

*
           print(e)

*
           continue

*


*


*
def write_to_MongoDB(proxies):

*
   '''

*
   将测试通过的ip存入MongoDB

*
   '''

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

*
   db = client.PROXY

*
   collection = db.proxies

*
   result = collection.insert(proxies)

*
   print(result)

*
   print('存储MongoDB成功')

*


*


*
def get_random_ip():

*
   '''

*
   随机取出一个ip

*
   '''

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

*
   db = client.PROXY

*
   collection = db.proxies

*
   items = collection.find()

*
   length = items.count()

*
   ind = random.randint(0,length-1)

*
   useful_proxy = items[ind]['ip'].replace('\n','')

*
   proxy = {

*
       'http': 'http://' + useful_proxy,

*
       'https': 'http://' + useful_proxy,

*
       }  

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

*
   if response.status_code == 200:

*
       return useful_proxy

*
   else:

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

*
       collection.remove(useful_proxy)

*
       print('已经从MongoDB移除')

*
       get_random_ip()

*


*


*
def main():

*
   ip_info = []

*
   ip_info = scrawl_xici_ip(2)

*
   sucess_proxy = ip_test(url_for_test,ip_info)

*
   finally_ip = get_random_ip()

*
   print('取出的ip为：' + finally_ip)

*


*


*


*
if __name__ == '__main__':

*
   main()



Python中文社区全球Python中文开发者的精神部落







Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。





▼ 点击下方阅读原文，免费成为社区会员

• « 上一篇：实战分析Tomcat的类加载器结构（使用Eclipse MAT验证）
• » 下一篇：C#爬虫与反爬虫--字体加密篇