Python爬虫实战（二）：爬取快代理构建代理IP池

目录

🌹前言

博主开始更新爬虫实战教程了，期待你的关注！！！
第一篇：Python爬虫实战（一）：翻页爬取数据存入SqlServer
第二篇：Python爬虫实战（二）：爬取快代理构建代理IP池

点赞收藏博主更有创作动力哟，以后常更！！！

构建IP池的目的

使用爬虫时，大部分网站都有一定的反爬措施，有些网站会限制每个 IP 的访问速度或访问次数，超出了它的限制你的 IP 就会被封掉。对于访问速度的处理比较简单，只要间隔一段时间爬取一次就行了，避免频繁访问；而对于访问次数，就需要使用代理 IP 来帮忙了，使用多个代理 IP 轮换着去访问目标网址可以有效地解决问题。

目前网上有很多的代理服务网站提供代理服务，也提供一些免费的代理，但可用性较差，如果需求较高可以购买付费代理，可用性较好。当然我们也可以自己构建代理池，从各种代理服务网站中免费获取代理 IP，并检测其可用性（去访问百度），再保存到文件中，需要使用的时候再调用。

爬取目标

我们要爬取的网页是：https://www.kuaidaili.com/free/inha/

红色框就是我们要爬取的内容：

博主爬取最后实现的效果如下：

准备工作

我用的是python3.8，VScode编辑器，所需的库有：

requests、etree、time

开头导入所需用到的导入的库：

import requests # python基础爬虫库from lxml import etree # 可以将网页转换为Elements对象import time # 防止爬取过快可以睡眠一秒

准备就绪开始代码分析！

代码分析

先讲讲我的整体思路在逐步分析：

• 第一步：构造主页url地址，发送请求获取响应
• 第二步：解析数据，将数据分组
• 第三步：将数组的数据提取出来
• 第四步：检测代理IP的可用性
• 第五步：保存到文件中

第一步

构造主页的url地址，发送请求获取响应

# 1.发送请求，获取响应defsend_request(self,page):print("=============正在抓取第{}页===========".format(page))# 目标网页，添加headers参数
    base_url ='https://www.kuaidaili.com/free/inha/{}/'.format(page)
    headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求：模拟浏览器发送请求，获取响应数据
    response = requests.get(base_url,headers=headers)
    data = response.content.decode()
    time.sleep(1)return data

这会就有小伙伴不明白了，你

headers

什么意思啊？

• 防止服务器把我们认出来是爬虫，所以模拟浏览器头部信息，向服务器发送消息
• 这个 “装” 肯定必须是要装的！！！

第二步

解析数据，将数据分组

从下图可以看出，我们需要的数据都在tr标签中：

所以分组取到

tr

标签下：

# 2.解析数据defparse_data(self,data):# 数据转换
    html_data =  etree.HTML(data)# 分组数据
    parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')return parse_list

第三步

提取分组中我们需要的数据，IP，类型和端口号

parse_list = self.parse_data(data)for tr in parse_list:
    proxies_dict  ={}
    http_type = tr.xpath('./td[4]/text()')
    ip_num = tr.xpath('./td[1]/text()')
    port_num = tr.xpath('./td[2]/text()')
    
    http_type =' '.join(http_type)
    ip_num =' '.join(ip_num)
    port_num =' '.join(port_num)
    
    proxies_dict[http_type]= ip_num +":"+ port_num
    
    proxies_list.append(proxies_dict)

这里做了拼接，

{'HTTP': '36.111.187.154:8888'}

这种形式存入列表，方便我们使用！

第四步

检测IP的可用性，因为是免费的IP所以有一些可能用不了，有一些访问速度较慢，这里我们让拼接好的ip去访问某度

0.1

秒能访问成功的保存在另一个列表中！

defcheck_ip(self,proxies_list):
    headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
    
    can_use =[]for proxies in proxies_list:try:
            response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1)if response.status_code ==200:
                can_use.append(proxies)except Exception as e:print(e)return can_use

第五步

将访问速度不错的ip保存在文件中，方便我们调用

defsave(self,can_use):file=open('IP.txt','w')for i inrange(len(can_use)):
        s =str(can_use[i])+'\n'file.write(s)file.close()

完整代码

import requests
from lxml import etree 
import time

classdaili:# 1.发送请求，获取响应defsend_request(self,page):print("=============正在抓取第{}页===========".format(page))# 目标网页，添加headers参数
        base_url ='https://www.kuaidaili.com/free/inha/{}/'.format(page)
        headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求：模拟浏览器发送请求，获取响应数据
        response = requests.get(base_url,headers=headers)
        data = response.content.decode()
        time.sleep(1)return data

    # 2.解析数据defparse_data(self,data):# 数据转换
        html_data =  etree.HTML(data)# 分组数据
        parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')return parse_list

    # 4.检测代理IPdefcheck_ip(self,proxies_list):
        headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}

        can_use =[]for proxies in proxies_list:try:
                response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1)if response.status_code ==200:
                    can_use.append(proxies)except Exception as e:print(e)return can_use

    # 5.保存到文件defsave(self,can_use):file=open('IP.txt','w')for i inrange(len(can_use)):
            s =str(can_use[i])+'\n'file.write(s)file.close()# 实现主要逻辑defrun(self):
        proxies_list =[]# 实现翻页，我这里只爬取了四页（可以修改5所在的数字）for page inrange(1,5):
            data = self.send_request(page)
            parse_list = self.parse_data(data)# 3.获取数据for tr in parse_list:
                proxies_dict  ={}
                http_type = tr.xpath('./td[4]/text()')
                ip_num = tr.xpath('./td[1]/text()')
                port_num = tr.xpath('./td[2]/text()')

                http_type =' '.join(http_type)
                ip_num =' '.join(ip_num)
                port_num =' '.join(port_num)

                proxies_dict[http_type]= ip_num +":"+ port_num

                proxies_list.append(proxies_dict)print("获取到的代理IP数量：",len(proxies_list))

        can_use = self.check_ip(proxies_list)print("能用的代理IP数量：",len(can_use))print("能用的代理IP:",can_use) 

        self.save(can_use)if __name__ =="__main__": 
    dl = daili()
    dl.run()

启动后的效果如下：

并生成文件：

O了O了！！！

使用方法

IP保存在文件中了，可有一些小伙伴还不知道怎么去使用？

这里我们需要实现，从文件中随机取出一个IP去访问网址，用到了

random

库

import random
import requests

# 打开文件，换行读取
f=open("IP.txt","r")file= f.readlines()# 遍历并分别存入列表，方便随机选取IP
item =[]for proxies infile:
    proxies =eval(proxies.replace('\n',''))# 以换行符分割，转换为dict对象
    item.append(proxies)

proxies = random.choice(item)# 随机选取一个IP

url ='https://www.baidu.com/'
headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}

response = requests.get(url,headers=headers,proxies=proxies)print(response.status_code)# 输出状态码 200，表示访问成功 

有讲的不对的地方，希望各位大佬指正！！！，如果有不明白的地方评论区留言回复！兄弟们来个点赞收藏有空就更新爬虫实战！！！