Python爬虫:制作一个属于自己的IP代理模块

Posted 2021-09-03 il_持之以恒_li

Python爬虫:制作一个属于自己的IP代理模块

Python爬虫常常会面临自己ip地址被封的情况，也许不懂的读者就只能等ip解封之后再进行接下来的操作了，为什么自己不做一个Python模块专门用于处理这种情况呢？小编首先讲的不会是重点，但是到对于读者开发Python爬虫肯定有一定的帮助，希望读者耐心看下去！

1.使用PyChram的正则

首先，小编讲的不是爬取ip，而是讲了解PyCharm的正则，这里讲的正则不是Python的re模块哈！
而是PyCharm的正则功能，我们在PyChram的界面上按上Ctrl+R，可以发现，这里出现两行输入框，
现在如果小编想把如下数据转换成一个字典存储

读者也许会一个一去改，但是小编只需在上述的那两个输入框内，输入一串字符串即可。

只需在第一个输入框中，输入(.*) : (.*）
在第二个输入框中，输入"$1":"$2",,看看效果如何

之后再给两端分别一个花括号和取一个字典名称即可。

2.制作一个随机User-Agent模块

反爬措施中，有这样一条，就是服务器会检查请求的user-agent参数值，如果检查的结果为python，那么服务器就知道这是爬虫，为了避免被服务器发现这是爬虫，通常user-agent参数值会设置浏览器的值，但是爬取一个网址时，每次都需要查看网址network下面的内容，显得比较繁琐，为什么不自定义一个随机获取user-agent的值模块呢？这样既可以减少查看network带来的繁琐，同时还可以避免服务器发现这是同一个user-agent发起多次请求。
说了这么多，那么具体怎样实现呢？

只需调用随机模块random的方法choice()即可，这个方法里面的参数类型时列表类型，具体参考代码如下：

import random

class useragent(object):

    def getUserAgent(self):
        useragents=[
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
            'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
            'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)',
        ]
        return random.choice(useragents)

这样我们就可以随机得到一个user-agent的值了。

3.最终实践：制作属于自己的ip代理模块

3.1 爬取快代理上的ip

接下来，就是最终实践了，制作属于自己的IP代理模块。

那么，从哪里获取IP呢？小编用的是快代理这个网址，网址链接为：https://www.kuaidaili.com/free/inha/1/。

怎样提取IP呢？小编用的是xpath语法

参考代码如下:

import requests
from crawlers.userAgent import useragent  # 导入自己自定义的类，主要作用为随机取user-agent的值
from lxml import etree

url='https://www.kuaidaili.com/free/inha/1/'
headers={'user-agent':useragent().getUserAgent()}
rsp=requests.get(url=url,headers=headers)
HTML=etree.HTML(rsp.text)
infos=HTML.xpath("//table[@class='table table-bordered table-striped']/tbody/tr")
for info in infos:
    print(info.xpath('./td[1]/text()'))   # ip
    print(info.xpath('./td[2]/text()'))   # ip对应的端口 列表类型

怎样爬取多页呢？分析快代理那个网址，可以发现https://www.kuaidaili.com/free/inha/{页数}/ ，花括号里面就是页数，这个网址总页数为4038，这里小编只爬取5页，并且开始页数取（1，3000）之间的随机数，但是如果for循环这个过程，运行结果如下：

原来是请求过快的原因，只需在爬取1页之后，休眠几秒钟即可解决。

3.2 验证爬取到的ip是否可用

这里直接用百度这个网址作为测试网址，主要代码为：

url='https://www.baidu.com'
headers={'user-agent':useragent().getUserAgent()}
proxies={}   # ip ，这里只是讲一下关键代码，没有给出具体IP
rsp=requests.get(url=url,headers=headers,proxies=proxies,time=0.2)  # timeout为超时时间

只需判断rsp的状态码为200，如果是，把它添加到一个指定的列表中。

具体参考代码小编已经上传到Gitee上，链接为:ip代理模块

当然读者可用把这个文件保存到python\\Lib文件夹下面，这样就可用随时随地导入了。

3.3 实战：利用爬取到的ip访问CSDN博客网址1000次

上述出现那个错误，小编上网搜索了一下原因，如下：

我想应该是第1种原因，ip被封，我这里没有设置超时时间，应该不会出现程序请求速度过快。

4. 总结

上述那个ip代理模块还有很多的不足点，比如用它去访问一些网址时，不管运行多少次，输出的结果状态码不会时200，这也正常，毕竟免费的ip并不是每个都能用的。如果要说改进的话，就是多爬取几个不同ip代理网址，去重，这样的结果肯定会比上述的那个ip代理模块要好。小编正在参与CSDN新星计划,如果读者觉得小编的这篇文章还不错的话，记得点赞，同时如果有什么问题和建议，欢迎到评论区留言！