python爬取代理ip

要写爬虫爬取大量的数据，就会面临ip被封的问题，虽然可以通过设置延时的方法来延缓对网站的访问，但是一旦访问次数过多仍然会面临ip被封的风险，这时我们就需要用到动态的ip地址来隐藏真实的ip信息，如果做爬虫项目，建议选取一些平台提供的动态ip服务，引用api即可。目前国内有很多提供动态ip的平台，普遍价格不菲，而对于只想跑个小项目用来学习的话可以参考下本篇文章。

简述###

本篇使用简单的爬虫程序来爬取免费ip网站的ip信息并生成json文档，存储可用的ip地址，写其它爬取项目的时候可以从生成的json文档中提取ip地址使用，为了确保使用的ip地址的有效性，建议对json文档中的ip现爬现用，并且在爬取时对ip有效性的时间进行筛选，只爬取时长较长、可用的ip地址存储。

实现###

使用平台https://www.xicidaili.com/nn/来作为数据源，通过对http://www.baidu.com/的相应来判断ip的可使用性。引用lxml模块来对网页数据进行提取，当然也可以使用re模块来进行匹配提取，这里只使用lxml模块对数据进行提取。
访问https://www.xicidaili.com/nn/数据源，并且启动Fiddler对浏览器数据进行监听，我这里浏览器采用的是Proxy SwitchyOmega插件来配合Fiddler进行使用，在Fiddler找到/nn/*数据查看User-Agent信息并复制下来作为我们访问的头文件。如图：

引入模块

import requests
from lxml import etree
import time
import json

获取所有数据

def get_all_proxy(page):
    url = 'https://www.xicidaili.com/nn/%s'%page
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    }
    response = requests.get(url, headers=headers)
    html_ele = etree.HTML(response.text)
    ip_eles = html_ele.xpath('//table[@id="ip_list"]/tr/td[2]/text()')
    port_ele = html_ele.xpath('//table[@id="ip_list"]/tr/td[3]/text()')
    print(ip_eles)
    proxy_list = []
    for i in range(0,len(ip_eles)):
        check_all_proxy(ip_eles[i]，port_ele[i])
    return proxy_list

对数据进行筛选：

def check_all_proxy(host,port):
    type = 'http'
    proxies = {}
    proxy_str = "%s://@%s:%s" % (type, host, port)
    valid_proxy_list = []
    url = 'http://www.baidu.com/'
    proxy_dict = {
            'http': proxy_str,
            'https': proxy_str
        }
    try:
            start_time = time.time()
            response = requests.get(url, proxies=proxy_dict, timeout=5)
            if response.status_code == 200:
                end_time = time.time()
                print('代理可用：' + proxy_str)
                print('耗时:' + str(end_time - start_time))
                proxies['type'] = type
                proxies['host'] = host
                proxies['port'] = port
                proxiesJson = json.dumps(proxies)
                with open('verified_y.json', 'a+') as f:
                    f.write(proxiesJson + '\n')
                print("已写入：%s" % proxy_str)
                valid_proxy_list.append(proxy_str)
            else:
                print('代理超时')
    except:
            print('代理不可用--------------->'+proxy_str)

运行程序：

if __name__ == '__main__':
    for i in range(1,11): #选取前十页数据使用
       proxy_list = get_all_proxy(i)
       time.sleep(20)
       print(valid_proxy_list)

生成的json文件：