建立爬虫代理ip池

在爬取网站信息的过程中，有些网站为了防止爬虫，可能会限制每个ip的访问速度或访问次数。对于限制访问速度的情况，我们可以通过time.sleep进行短暂休眠后再次爬取。对于限制ip访问次数的时候我们需要通过代理ip轮换去访问目标网址。所以建立并维护好一个有效的代理ip池也是爬虫的一个准备工作。

网上提供免费代理ip的网址很多，下面我们以西刺网站为例来建立一个有效的代理ip池。

项目流程：

第一步：构造请求代理ip网站链接

def get_url(url):     # 国内高匿代理的链接

    url_list = []

    for i in range(1,100):

        url_new = url + str(i)

        url_list.append(url_new)

    return url_list

get_url ：生成要爬取目标网址的链接

第二步：获取网页内容

def get_content(url):     # 获取网页内容

    user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'

    headers = {'User-Agent': user_agent}

    req = urllib.request.Request(url=url, headers=headers)

    res = urllib.request.urlopen(req)

    content = res.read()

    return content.decode('utf-8')

get_content：接受的参数是传入的目标网站链接

第三步：提取网页中ip地址和端口号信息

def get_info(content):      # 提取网页信息 / ip 端口

    datas_ip = etree.HTML(content).xpath('//table[contains(@id,"ip_list")]/tr/td[2]/text()')

    datas_port = etree.HTML(content).xpath('//table[contains(@id,"ip_list")]/tr/td[3]/text()')

    with open("data.txt", "w") as fd:

        for i in range(0,len(datas_ip)):

            out = u""

            out += u"" + datas_ip[i]

            out += u":" + datas_port[i]

            fd.write(out + u"\n")     # 所有ip和端口号写入data文件

get_info：接收从get_content函数传来的网页内容，并使用etree解析出ip和端口号，将端口号和ip写入data.

第四步：验证代理ip的有效性

def verif_ip(ip,port):    # 验证ip有效性

    user_agent ='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'

    headers = {'User-Agent':user_agent}

    proxy = {'http':'http://%s:%s'%(ip,port)}

    print(proxy)



    proxy_handler = urllib.request.ProxyHandler(proxy)

    opener = urllib.request.build_opener(proxy_handler)

    urllib.request.install_opener(opener)



    test_url = "https://www.baidu.com/"

    req = urllib.request.Request(url=test_url,headers=headers)

    time.sleep(6)

    try:

        res = urllib.request.urlopen(req)

        time.sleep(3)

        content = res.read()

        if content:

            print('that is ok')

            with open("data2.txt", "a") as fd:       # 有效ip保存到data2文件夹

                fd.write(ip + u":" + port)

                fd.write("\n")

        else:

            print('its not ok')

    except urllib.request.URLError as e:

        print(e.reason)

verif_ip：使用ProxyHandler建立代理，使用代理ip访问某网址，查看是否得到响应。如数据有效，则保存到data2.txt文件

最后：调用各个函数

if __name__ == '__main__':

    url = 'http://www.xicidaili.com/nn/'

    url_list = get_url(url)

    for i in url_list:

        print(i)

        content = get_content(i)

        time.sleep(3)

        get_info(content)



    with open("dali.txt", "r") as fd:

        datas = fd.readlines()

        for data in datas:

            print(data.split(u":")[0])

        # print('%d : %d'%(out[0],out[1]))

            verif_ip(data.split(u":")[0],data.split(u":")[1])

得到爬取结果

----------------------------------------------------------分割线-------------------------------------------------------------

本程序运行环境: Python 3.5.2