概述

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。

因此我们可以自己构建代理池，从各种代理服务网站中获取代理 IP，并检测其可用性（使用一个稳定的网址来检测，最好是自己将要爬取的网站），再保存到数据库中，需要使用的时候再调用。

提供免费代理的网站

厂商名称	地址
66代理	http://www.66ip.cn/
西刺代理	https://www.xicidaili.com
全网代理	http://www.goubanjia.com
云代理	http://www.ip3366.net
IP海	http://www.iphai.com
快代理	https://www.kuaidaili.com
免费代理IP库	http://ip.jiangxianli.com
小幻代理	https://ip.ihuan.me/

本次使用的案例是小幻代理

代码

导包

import loguru, requests, random, time  # 发送请求，记录日志，等
from lxml import etree  # 分析数据
from concurrent.futures import ThreadPoolExecutor  # 线程池

网站页面的url

由于小幻代理的每个页面的url没有规律，所以需要一一获取

def get_url():  # 得到存放ip地址的网页print("正在获取ip池", "，不要着急！")for i in range(random.randint(10, 20)):  # 爬取随机页数time.sleep(1)if i == 0:url = "https://ip.ihuan.me/"else:url = url_list[-1]try:resp = requests.get(url=url, headers=headers_test, timeout=10)except Exception as e:print(e)breakhtml = etree.HTML(resp.text)ul = html.xpath('//ul[@class="pagination"]')ul_num = html.xpath('//ul[@class="pagination"]/li')for j in range(len(ul_num)):if j != 0 and j != len(ul_num) - 1:a = ul[0].xpath(f"./li[{j}+1]/a/@href")[0]url_list.append("https://ip.ihuan.me/" + a)  # 得到许多的代理ip网址loguru.logger.info(f"over，{url}")

ip地址

def get_ip():for i in url_list:time.sleep(1)resp = requests.get(url=i, headers=headers)html = etree.HTML(resp.text)td = html.xpath("//tbody/tr")for i in td:ip = i.xpath("./td[1]//text()")[0]  # 地址pt = i.xpath("./td[2]//text()")[0]  # 端口tp = "http" if i.xpath("./td[5]//text()")[0] == "不支持" else "https"  # 访问类型ip_list.append({"type": tp, "proxy": f"{ip}:{pt}"})loguru.logger.info("ip地址获取完成")

检测

def test_ip(ip):proxy_test = {"http": f"{ip}","https": f"{ip}"# 注意：如果请求的ip是https类型的，但代理的ip是只支持http的，那么还是使用本机的ip，如果请求的ip是http类型的，那么代理的ip一定要是http的，前面不能写成https，否则使用本机IP地址}resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)if resp.json()["origin"] == ip.split(":")[0]:ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期处理，是的其有http/https标识temp_ip.append(ip)  # 符合条件的添加，不符合条件的抛弃

整理

def set_ip(url) -> "动态构建ip池":  # 要传入需要爬取网页的urltry:f = open('./app/ip.txt', "r")for j in eval(f.read()):temp_ip.append(j)f.close()except Exception as e:print("没有ip，正在构造ip池，请稍等")if not temp_ip:  # 判断是否有ip地址print("没有ip地址，正在获取")get_url()else:for i in temp_ip:ip_list.append(i)  # 将已有的ip添加到测试ip中temp_ip.clear()get_ip()  # 得到大量ip地址with open('./app/ip.txt', "w") as file:file.write(ip_list)ip_able = list(set(j["proxy"] for j in ip_list if j["type"] == url.split(":")[0]))  # 存放符合要求的ip字符串，同时利用字典去重url_test = "http://httpbin.org/ip" if url.split(":")[0] == "http" else ""  # 测试ip地址是否有用def test_ip(ip):proxy_test = {"http": f"{ip}","https": f"{ip}"# 注意：如果请求的ip是https类型的，但代理的ip是只支持http的，那么还是使用本机的ip，如果请求的ip是http类型的，那么代理的ip一定要是http的，前面不能写成https，否则使用本机IP地址}resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)if resp.json()["origin"] == ip.split(":")[0]:ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期处理，是的其有http/https标识temp_ip.append(ip)  # 符合条件的添加，不符合条件的抛弃with ThreadPoolExecutor(50) as pool:  # 使用多线程测试pool.map(test_ip, ip_able)pool.join()print("测试完毕")if temp_ip:i = random.choice(temp_ip)proxy = {"http": f"{i['proxy']}","https": f"{i['proxy']}"}return proxyelse:set_ip(url=url)

必要参数

# 参数headers = {'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9"
}
headers_test = {'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36","accept-encoding": "gzip, deflate, br","cookie": "Hm_lvt_8ccd0ef22095c2eebfe4cd6187dea829=1642389014,1642412091","Referer": "https://ip.ihuan.me/"
}
url_list, ip_list, temp_ip = ["https://ip.ihuan.me/"], [], []  # 存放url， 存放ip地址， 有用的ip地址

总代码

import loguru, requests, random, time
from lxml import etree
from concurrent.futures import ThreadPoolExecutordef get_url():  # 得到存放ip地址的网页print("正在获取ip池", "，不要着急！")for i in range(random.randint(10, 20)):  # 爬取随机页数time.sleep(1)if i == 0:url = "https://ip.ihuan.me/"else:url = url_list[-1]try:resp = requests.get(url=url, headers=headers_test, timeout=10)except Exception as e:print(e)breakhtml = etree.HTML(resp.text)ul = html.xpath('//ul[@class="pagination"]')ul_num = html.xpath('//ul[@class="pagination"]/li')for j in range(len(ul_num)):if j != 0 and j != len(ul_num) - 1:a = ul[0].xpath(f"./li[{j}+1]/a/@href")[0]url_list.append("https://ip.ihuan.me/" + a)  # 得到许多的代理ip网址loguru.logger.info(f"over，{url}")def get_ip():for i in url_list:time.sleep(1)resp = requests.get(url=i, headers=headers)html = etree.HTML(resp.text)td = html.xpath("//tbody/tr")for i in td:ip = i.xpath("./td[1]//text()")[0]  # 地址pt = i.xpath("./td[2]//text()")[0]  # 端口tp = "http" if i.xpath("./td[5]//text()")[0] == "不支持" else "https"  # 访问类型ip_list.append({"type": tp, "proxy": f"{ip}:{pt}"})loguru.logger.info("ip地址获取完成")def set_ip(url) -> "动态构建ip池":  # 要传入需要爬取网页的urltry:f = open('./app/ip.txt', "r")for j in eval(f.read()):temp_ip.append(j)f.close()except Exception as e:print("没有ip，正在构造ip池，请稍等")if not temp_ip:  # 判断是否有ip地址print("没有ip地址，正在获取")get_url()else:for i in temp_ip:ip_list.append(i)  # 将已有的ip添加到测试ip中temp_ip.clear()get_ip()  # 得到大量ip地址with open('./app/ip.txt', "w") as file:file.write(ip_list)ip_able = list(set(j["proxy"] for j in ip_list if j["type"] == url.split(":")[0]))  # 存放符合要求的ip字符串，同时利用集合去重url_test = "http://httpbin.org/ip" if url.split(":")[0] == "http" else ""  # 测试ip地址是否有用def test_ip(ip):proxy_test = {"http": f"{ip}","https": f"{ip}"# 注意：如果请求的ip是https类型的，但代理的ip是只支持http的，那么还是使用本机的ip，如果请求的ip是http类型的，那么代理的ip一定要是http的，前面不能写成https，否则使用本机IP地址}resp = requests.get(url=url_test, headers=headers, proxies=proxy_test, timeout=6)if resp.json()["origin"] == ip.split(":")[0]:ip = {"type": url.strip(":")[0], "proxy": ip}  # 格式化ip，便于后期处理，是的其有http/https标识temp_ip.append(ip)  # 符合条件的添加，不符合条件的抛弃with ThreadPoolExecutor(50) as pool:  # 使用多线程测试pool.map(test_ip, ip_able)pool.join()print("测试完毕")if temp_ip:i = random.choice(temp_ip)proxy = {"http": f"{i['proxy']}","https": f"{i['proxy']}"}return proxyelse:set_ip(url=url)# 参数headers = {'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9"
}
headers_test = {'User-Agent': "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 96.0.4664 .93 Safari / 537.36","accept-encoding": "gzip, deflate, br","cookie": "Hm_lvt_8ccd0ef22095c2eebfe4cd6187dea829=1642389014,1642412091","Referer": "https://ip.ihuan.me/"
}
url_list, ip_list, temp_ip = ["https://ip.ihuan.me/"], [], []  # 存放url， 存放ip地址， 有用的ip地址if __name__ == '__main__':proxy = set_ip(url="https://www.baidu.com")  # 得到代理ipprint(proxy)

总结

如果安装了数据库的话，可以使用数据库存储得到的ip，代码中使用的是本地的文件存储数据，同时，要尽量避免本机ip被封