python 代理ip爬取，ip代理，数据库存储，去重，验证。

Posted 2023-05-09

参考技术A 首先是ip_request.py

这个模块是对ip的一个验证，随机生成header头。

ip_to_mysql.py

本文是对ip进行存储，和提取ip，删除ip的操作。

这个是对日志的一个封装，这样用起来方便些。

总结，目前整体程序可优化的空间很大，这算是1.0版本

Python骚操作！利用Python来爬取IP代理！偷偷给文章刷阅读量！

 

 

二、代码

代码直接参考了下文，更多解读参见原文，其中将ip提取部分修改了下，并将用来测试IP是否可用的百度url改成了CSDN博客里文章的url。

进群：548377875   即可获取数十套PDF哦！

 

 

另外也试了下豆瓣......嗯，立马就“403”，上不去了，所以看了本文想刷其他网站数据的朋友，还是三思而行，如果账号被封，概不负责哦。==。

 

代码（py3.5版本）：源码奉上！

# coding: utf-8

import urllib.request

import urllib.parse

import time

from multiprocessing import Pool#多进程

import random

from lxml import etree #解析

def GetUserAgent():

‘‘‘

功能：随机获取HTTP_User_Agent

‘‘‘

user_agents=[

"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",

"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",

"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",

"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",

"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",

"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",

"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",

"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",

"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",

"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1"

]

user_agent = random.choice(user_agents)

return user_agent

def getProxies():

‘‘‘

功能：爬取西刺高匿IP构造原始代理IP池

‘‘‘

init_proxies = []

##爬取前五页

for i in range(1,6):

print("####")

print("####爬取第"+str(i)+"页####")

print("####")

print("IP地址 端口 存活时间 验证时间")

url = "http://www.xicidaili.com/nn/"+str(i)

user_agent = GetUserAgent()

headers=("User-Agent",user_agent)

opener = urllib.request.build_opener()

opener.addheaders = [headers]

try:

data = opener.open(url,timeout=5).read()

except Exception as er:

print("爬取的时候发生错误，具体如下：")

print(er)

selector=etree.HTML(data)

‘‘‘

ip_addrs = selector.xpath(‘//tr[@class="odd"]/td[2]/text()‘) #IP地址

port = selector.xpath(‘//tr[@class="odd"]/td[3]/text()‘) #端口

sur_time = selector.xpath(‘//tr[@class="odd"]/td[9]/text()‘) #存活时间

ver_time = selector.xpath(‘//tr[@class="odd"]/td[10]/text()‘) #验证时间

‘‘‘

#原代码只提取了奇数行部分，修改下

ip_addrs = selector.xpath(‘//tr/td[2]/text()‘) #IP地址

port = selector.xpath(‘//tr/td[3]/text()‘) #端口

sur_time = selector.xpath(‘//tr/td[9]/text()‘) #存活时间

ver_time = selector.xpath(‘//tr/td[10]/text()‘) #验证时间

for j in range(len(ip_addrs)):

ip = ip_addrs[j]+":"+port[j]

init_proxies.append(ip)

#输出爬取数据

print(ip_addrs[j]+" "+port[j]+" "+sur_time[j]+" "+ver_time[j])

return init_proxies

def testProxy(curr_ip):

‘‘‘

功能：验证IP有效性

@curr_ip：当前被验证的IP

‘‘‘

tmp_proxies = []

#socket.setdefaulttimeout(10) #设置全局超时时间

#tarURL = "http://www.baidu.com/"

#tarURL = "http://blog.csdn.net/deserts_x/article/details/76726885" #CSDN-老树画画

tarURL = "http://blog.csdn.net/deserts_x/article/details/76409116" #CSDN-张佳玮

user_agent = GetUserAgent()

proxy_support = urllib.request.ProxyHandler({"http":curr_ip})

opener = urllib.request.build_opener(proxy_support)

opener.addheaders=[("User-Agent",user_agent)]

urllib.request.install_opener(opener)

try:

res = urllib.request.urlopen(tarURL,timeout=5).read()

if len(res)!=0:

tmp_proxies.append(curr_ip)

except urllib.error.URLError as er2:

if hasattr(er2,"code"):

print("验证代理IP（"+curr_ip+"）时发生错误（错误代码）："+str(er2.code))

if hasattr(er2,"reason"):

print("验证代理IP（"+curr_ip+"）时发生错误（错误原因）："+str(er2.reason))

except Exception as er:

print("验证代理IP（"+curr_ip+"）时发生如下错误）：")

print(er)

time.sleep(2)

return tmp_proxies

def mulTestProxies(init_proxies):

‘‘‘

功能：多进程验证IP有效性

@init_proxies：原始未验证代理IP池

‘‘‘

pool = Pool(processes=7)

fl_proxies = pool.map(testProxy,init_proxies)

pool.close()

pool.join() #等待进程池中的worker进程执行完毕

return fl_proxies

if __name__ == ‘__main__‘:

#---（1）获取代理IP池

init_proxies = getProxies() #获取原始代理IP

tmp_proxies = mulTestProxies(init_proxies) #多进程测试原始代理IP

proxy_addrs = []

for tmp_proxy in tmp_proxies:

if len(tmp_proxy)!=0:

#print(tmp_proxy)

proxy_addrs.append(tmp_proxy)

print(len(proxy_addrs))

print(proxy_addrs)

三、小结

关于爬取和维护IP代理池的文章网上其实不少，简书上也不少，对于想要爬虫进阶的人来说一定是会碰到的，毕竟当你想大规模爬取某网站数据时，只靠自己电脑的IP在单位时间里大量访问的话，多半会出事，而为了爬取效率起见，就需要大量IP车轮战，前仆后继地上了。