爬虫小程序之爬取西刺免费高匿IP构建代理池

反爬机制很多，其中一种便是web服务器通过记录IP访问服务器的频率来判断该IP地址是否为爬虫IP，为了避免IP被封，同时可以提高爬取数据的稳定性，可以通过第三方IP地址发起请求，为了后期数据爬取的稳定性，可以构建自己的代理池，本程序是通过爬取西刺代理网站里的免费高匿IP，构建后期工作所需的IP代理池工具包，具体程序如下：

注：

　　 1>高匿：高度匿名，web服务器只能看到代理IP地址，无法看到客户自身地址，更无法识别是否使用代理IP，一切IP均识别为真实客户IP（爬虫首选）
　　 2>匿名：web服务器只能看到代理IP地址和使用代理访问，即web知道有人用代理IP访问网站而不知道究竟是哪个客户的IP在访问
 　　3>透明：web服务器会知道代理IP地址和用户自身真实IP

import requests
from fake_useragent import UserAgent
from lxml import etree
import random
import time


class Spider(object):
    def __init__(self, start, end):
        self.base_url = 'https://www.xicidaili.com/nn/{}'
        # 用来存放所有的代理IP
        self.proxies_list = []
        self.start = start
        self.end = end

    # 获取随机ua
    def get_random_ua(self):
        ua = UserAgent()
        return ua.random

    # 从西刺代理网站获取IP
    def get_ip_list(self, url):
        # 发请求
        html = requests.get(url, headers={'User-Agent': self.get_random_ua()}).text
        # 解析
        parse_html = etree.HTML(html)
        tr_list = parse_html.xpath('//*[@id="ip_list"]//tr')
        # print(tr_list)
        for tr in tr_list[1:]:
            ip = tr.xpath('./td[2]/text()')[0].strip()
            port = tr.xpath('./td[3]/text()')[0].strip()
            proxies = {
                'http': 'http://{}:{}'.format(ip, port),
                'https': 'https://{}:{}'.format(ip, port),
            }
            self.proxies_list.append(proxies)
        # print(len(self.proxies_list))
        # print(self.proxies_list)
        return self.proxies_list

    def main(self):
        for i in range(self.start, self.end + 1):
            url = self.base_url.format(str(i))
            self.get_ip_list(url)
            time.sleep(random.randint(1, 10))

        return self.proxies_list


if __name__ == '__main__':
    spider = Spider(1, 2)
    proxies_list = spider.main()

 假设上述程序放在xici_proxy_pools.py模块中，现在用其测试一下http://httpbin.org/get网站，要求如下：

　　1、首先判断构建的代理池是否为空；

　　2、当选中的IP在测试时超过时间限制时，则将其删除，从新在代理池中选取；

代码如下：

from xici_proxy_pools import *
import requests
import random
from fake_useragent import UserAgent

url = 'http://httpbin.org/get'
headers = {'User-Agent': UserAgent().random}
spider = Spider(1, 3)
proxies_list = spider.main()

while True:
    if proxies_list is not None:
        proxies = random.choice(proxies_list)
    try:
        html = requests.get(url, proxies=proxies, headers=headers, timeout=3).text
        print(html)
        break
    except:
        # 先移除IP
        proxies_list.remove(proxies)
        print('{}已经移除'.format(proxies))
        continue

 

再用IP代理池爬取需要客户端验证登录才能爬取网页内容的网站，代码如下：

import requests
from lxml import etree
from fake_useragent import UserAgent
from xici_proxy_pools import *
import random


class NoteSpider(object):
    def __init__(self):
        self.base_url = '自己写'
        self.headers = {'User-Agent': UserAgent().random}
        self.auth = ('username', 'password')
        self.proxies_list = Spider(1, 2).main()

    # 获取一级页面
    def get_one_page(self):
        while True:
            if self.proxies_list is not None:
                proxies = random.choice(self.proxies_list)
                # print(proxies)
            else:
                break
            try:
                html = requests.get(self.base_url,
                                    proxies=proxies,
                                    headers=self.headers,
                                    auth=self.auth,
                                    timeout=5).text
                self.parse_one_page(html)
                # print(html)
                break
            except:
                self.proxies_list.remove(proxies)
                continue

    # 解析页面
    def parse_one_page(self, html):
        parse_html = etree.HTML(html)
        result_list = parse_html.xpath('/html/body/pre/a/text()')[1:]
        print(result_list)


if __name__ == '__main__':
    spider = NoteSpider()
    spider.get_one_page()