python爬取代理ip

要寫爬蟲爬取大量的數據，就會面臨ip被封的問題，雖然可以通過設置延時的方法來延緩對網站的訪問，但是一旦訪問次數過多仍然會面臨ip被封的風險，這時我們就需要用到動態的ip地址來隱藏真實的ip信息，如果做爬蟲項目，建議選取一些平台提供的動態ip服務，引用api即可。目前國內有很多提供動態ip的平台，普遍價格不菲，而對於只想跑個小項目用來學習的話可以參考下本篇文章。

簡述###

本篇使用簡單的爬蟲程序來爬取免費ip網站的ip信息並生成json文檔，存儲可用的ip地址，寫其它爬取項目的時候可以從生成的json文檔中提取ip地址使用，為了確保使用的ip地址的有效性，建議對json文檔中的ip現爬現用，並且在爬取時對ip有效性的時間進行篩選，只爬取時長較長、可用的ip地址存儲。

實現###

使用平台https://www.xicidaili.com/nn/來作為數據源，通過對http://www.baidu.com/的相應來判斷ip的可使用性。引用lxml模塊來對網頁數據進行提取，當然也可以使用re模塊來進行匹配提取，這里只使用lxml模塊對數據進行提取。
訪問https://www.xicidaili.com/nn/數據源，並且啟動Fiddler對瀏覽器數據進行監聽，我這里瀏覽器采用的是Proxy SwitchyOmega插件來配合Fiddler進行使用，在Fiddler找到/nn/*數據查看User-Agent信息並復制下來作為我們訪問的頭文件。如圖：

引入模塊

import requests
from lxml import etree
import time
import json

獲取所有數據

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

對數據進行篩選：

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('耗時:' + 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("已寫入：%s" % proxy_str)
                valid_proxy_list.append(proxy_str)
            else:
                print('代理超時')
    except:
            print('代理不可用--------------->'+proxy_str)

運行程序：

if __name__ == '__main__':
    for i in range(1,11): #選取前十頁數據使用
       proxy_list = get_all_proxy(i)
       time.sleep(20)
       print(valid_proxy_list)

生成的json文件：