搭建免费代理IP池
Posted i新木优子
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了搭建免费代理IP池相关的知识,希望对你有一定的参考价值。
👨💻博客主页:i新木优子👀
🎉欢迎关注🔍点赞👍收藏⭐留言📝
🧚♂️寄语:成功的秘诀就是每天都比别人多努力一点👣
✨有任何疑问欢迎评论探讨
先声明一下:免费的代理稳定性都不高,即使经过层层筛选有些可能还是不能用,就像矮子里拔高的,即使已经是矮子里最高的,可是还是改变不了是矮子的本质
在做任何事情之前我们都需要先思考,要如何实现?需要用到什么?等等一系列的问题都要想清楚,要先将思路理清了,做起事来才能事半功倍
🎯下面是我做这个项目的思路,可能并不是很好,有更好的想法欢迎留言讨论
代理IP池:
自身:
- 能采集代理IP(用爬虫抓取网站即可)
采集到的IP我们的将它存储起来,这就有一个问题我们要将这些IP存储到哪里?
mysql?MongoDB?还是Redis?
Mysql:它当然可以存储IP,可是它也有它的局限性,Mysql不能去重,因为有时我们采集到的IP可能一样,还有一个问题就是Mysql查询效率低
MongoDB:也可以存储IP,但它也不能去重
Redis:最合适,首先它的查询效率最高,还有良好的去重的集合(zset)
为什么要用zset呢?
zset有一个特性,他有一个分值(score),我们可以通过控制分值的高低就可以将稳定性高的IP取出来,从而提高免费IP的可用性
不了解Redis基本用法的小伙伴可以去看一下我的上一篇博客哦 - 能验证IP的有效性
先将每个IP定一个初始分值(50),然后对每个IP都进行校验,如果这个IP可用那么就将这个IP的分值拉满(100),如果不可用就进行扣分(10),直到IP变成0分,就将这个IP删除
对外:
- 提供免费的可用的代理IP
思路理清了,接下来就是如何写程序了
采集:写爬虫抓取IP,将IP存储到Redis
校验:从Redis中取出IP,用IP简单发送一个请求,如果可以正常返回,证明该IP可用
提供:写api接口,将可用的IP提供给用户
如果我们按照单线程去完成上面的步骤,就有局限性,只有每次将IP提供给用户,才可以继续采集IP,而我们希望的是这三个步骤互不影响,不管采集、校验还是给用户提供IP,都应该是一直进行,在提供IP的时候也可以继续采集、校验
三个独立的程序,我们就可以用多进程
下图就是IP代理池的模型:
仔细观察上图,三个操作都用到了Redis,所以就先写Redis涉及到的各种操作,再写其他三个功能就可以游刃有余了
1️⃣Redis的各种操作
- 连接Redis
- zset存储
判断IP存不存在,不存在就新增 - 查询所有IP(校验IP时要用到)
- 将分值拉满(IP可用)
- 将分值降低(IP不可用)
- 查询可用的IP
先给满分的,没有满分的给51-99分的
# redis的各种操作
from redis import Redis
from settings import *
class ProxyRedis:
# 连接redis
def __init__(self):
self.red = Redis(
host=REDIS_HOST,
port=REDIS_PORT,
db=REDIS_DB,
password=REDIS_PASSWORD,
decode_responses=True
)
# 存储ip
def add_proxy_ip(self, ip):
# 判断是否有ip
if not self.red.zscore(REDIS_KEY, ip):
self.red.zadd(REDIS_KEY, ip: DEFAULT_SCORE)
print("采集到了IP地址了", ip)
else:
print("采集到了IP地址了", ip, "但是已经存在")
# 查询所有ip
def get_all_proxy(self):
return self.red.zrange(REDIS_KEY, 0, -1)
# 将分值拉满
def set_max_score(self, ip):
self.red.zadd(REDIS_KEY, ip: MAX_SCORE)
# 降低分值
def reduce_score(self, ip):
# 查询分值
score = self.red.zscore(REDIS_KEY, ip)
# 如果有分值,扣分
if score > 0:
self.red.zincrby(REDIS_KEY, -10, ip)
else: # 分值没有则删除
self.red.zrem(REDIS_KEY, ip)
# 查询可用ip
def get_avail_proxy(self):
lis = []
ips = self.red.zrangebyscore(REDIS_KEY, MAX_SCORE, MAX_SCORE, 0, -1)
if ips:
lis.append(ips)
return lis
else:
ips = self.red.zrangebyscore(REDIS_KEY, DEFAULT_SCORE + 1, MAX_SCORE - 1, 0, -1)
if ips:
lis.append(ips)
return lis
else:
print("没有可用ip")
return None
2️⃣采集IP
这里我爬取了三个网站,当然感觉不够用的自己还可以加
快代理:https://www.kuaidaili.com/free/intr/1/
高可用全球免费代理IP库:https://ip.jiangxianli.com/?page=1
66免费代理网:http://www.66ip.cn/areaindex_1/1.html
爬取这些网站很简单,基本都没有什么反爬,页面也都差不多,直接用xpath解析就可以得到想要的IP
# 代理IP的采集
from proxy_redis import ProxyRedis
import requests
from lxml import etree
import time
headers =
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/100.0.4896.127 Safari/537.36"
# 采集快代理
def get_kuai_ip(red):
url = "https://www.kuaidaili.com/free/intr/1/"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table/tbody/tr")
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
# 采集66免费代理网
def get_66_ip(red):
url = "http://www.66ip.cn/areaindex_1/1.html"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table//tr")[1:]
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
# 采集高可用全球免费代理IP库
def get_quan_ip(red):
url = "https://ip.jiangxianli.com/?page=1"
resp = requests.get(url, headers=headers)
tree = etree.HTML(resp.text)
trs = tree.xpath("//table//tr")
for tr in trs:
ip = tr.xpath("./td[1]/text()") # ip地址
port = tr.xpath("./td[2]/text()") # 端口
if not ip:
continue
ip = ip[0]
port = port[0]
proxy_ip = ip + ":" + port
red.add_proxy_ip(proxy_ip) # 增加ip地址
def run():
red = ProxyRedis() # 创建redis存储
while True:
try:
get_kuai_ip(red) # 采集快代理
get_66_ip(red) # 采集66免费代理
get_quan_ip(red) # 采集全球免费ip代理库
except:
print("出错了")
time.sleep(60) # 每分钟跑一次
if __name__ == '__main__':
run()
3️⃣校验IP可用性
- 查询所有的IP
- 每一个IP都发送一个请求,可用分值拉满,不用可扣分
这里如果我们采集的IP比较多的话,用单线程就比较慢了,所以为了提高效率,这里我采用协程
# 代理IP的验证
from proxy_redis import ProxyRedis
from settings import *
import asyncio
import aiohttp
import time
async def verify_one(ip, sem, red):
print(f"开始检测ip")
timeout = aiohttp.ClientTimeout(total=10) # 设置超时时间,超过10秒就报错
try:
async with sem:
async with aiohttp.ClientSession() as session:
async with session.get("http://www.baidu.com/", proxy="http://" + ip, timeout=timeout) as resp: # 简单发送一个请求
page_source = await resp.text()
if resp.status in [200, 302]: # 验证状态码
# 将分值拉满
red.set_max_score(ip)
print(f"检测到ip是可用的")
else:
red.reduce_score(ip)
print(f"检测到ip是不可用的, 扣10分")
except Exception as E:
print("ip检验时出错了", E)
red.reduce_score(ip)
print(f"检测到ip是不可用的, 扣10分")
async def main(red):
# 查询全部ip
all_proxy = red.get_all_proxy()
sem = asyncio.Semaphore(SEM_COUNT) # 控制并发量
tasks = []
for ip in all_proxy:
tasks.append(asyncio.create_task(verify_one(ip, sem, red)))
if tasks:
await asyncio.wait(tasks)
def run():
red = ProxyRedis()
time.sleep(10)
while True:
try:
asyncio.run(main(red))
time.sleep(100)
except Exception as e:
print("校验时报错了", e)
time.sleep(100)
if __name__ == '__main__':
run()
4️⃣提供api
- 给用户提供一个http接口,用户通过访问
http://xxx.xxx.xxx.xxx:xxxx/get_proxy
就可获取到IP
安装提供api接口的模块
pip install sanic
pip install sanic_cors # 防止出现跨域的模块
# 代理的IP的api接口
from proxy_redis import ProxyRedis
from sanic import Sanic, json
from sanic_cors import CORS
# 1. 创建app
app = Sanic("ip")
# 2. 解决跨域
CORS(app)
red = ProxyRedis()
# 3. 准备处理http请求的函数
@app.route("/get_proxy") # 路由配置
def dispose(rep):
ip_list = red.get_avail_proxy()
return json("ip": ip_list) # 返回给客户端
def run():
app.run(host="127.0.0.1", port=5800)
if __name__ == '__main__':
run()
5️⃣启动采集IP、校验IP、提供api
将三个功能串在一起,每一个功能开一个进程
from ip_api import run as api_run
from ip_collection import run as col_run
from ip_verify import run as ver_run
from multiprocessing import Process
def run():
# 启动三个进程
p1 = Process(target=api_run)
p2 = Process(target=col_run)
p3 = Process(target=ver_run)
p1.start()
p2.start()
p3.start()
if __name__ == '__main__':
run()
下面代码是代理IP池的配置文件,想要修改参数的直接修改配置文件中的就行
# 配置文件
# proxy_redis
# redis主机ip地址
REDIS_HOST = "127.0.0.1"
# redis端口号
REDIS_PORT = 6379
# redis数据库编号
REDIS_DB = 2
# redis的密码
REDIS_PASSWORD = "123456"
# redis的key
REDIS_KEY = "proxy_ip"
# 默认的ip分值
DEFAULT_SCORE = 50
# 满分
MAX_SCORE = 100
# ip_verify
# 一次检测ip的数量
SEM_COUNT = 30
6️⃣到这里我们的IP代理池就已经完成了
我们可以看到程序可以正常执行
然后去看一下我们的Redis中是否有IP
我们访问http://127.0.0.1:5800/get_proxy检测用户是否可以拿到IP
7️⃣检验IP代理池中的IP是否可用
免费IP代理池已经搭建好了,接下来就从IP代理池中取出来IP,检测IP是否可以使用
我们的IP有很多,使用这些IP最好的方法是将存放IP的列表进行循环,每拿一个IP访问一次或多次就换一个IP在访问,所以就需要写一个生成器
import requests
headers =
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.127 Safari/537.36"
def get_proxy():
url = "http://127.0.0.1:5800/get_proxy"
resp = requests.get(url, headers=headers)
ips = resp.json()
for ip in ips["ip"][0]:
yield ip # 生成器
def spider():
url = "http://www.baidu.com/"
while True:
try:
proxy_ip = next(gen)
proxy =
"http:": "http:" + proxy_ip,
"https:": "http:" + proxy_ip
resp = requests.get(url, proxies=proxy, headers=headers)
resp.encoding = "utf-8"
return resp.text
except:
print("代理失效了")
if __name__ == '__main__':
gen = get_proxy()
page_source = spider()
print(page_source)
可以拿到页面源代码表示我们的代理IP可用
Python爬虫伪装,请求头User-Agent池,和代理IP池搭建使用
一、前言
在使用爬虫的时候,很多网站都有一定的反爬措施,甚至在爬取大量的数据或者频繁地访问该网站多次时还可能面临ip被禁,所以这个时候我们通常就可以找一些代理ip,和不用的浏览器来继续爬虫测试。下面就开始来简单地介绍一下User-Agent池和免费代理ip池。
二、User-Agent池
User-Agent 就是用户代理,又叫报头,是一串字符串,相当于浏览器的身份证号,我们在利用python发送请求的时候,默认为: python-requests/2.22.0,所以我们在利用爬虫爬取网站数据时,频繁更换它可以避免触发相应的反爬机制。
构建User-Agent池,这里介绍两种方法:1,手动构造随机函数。2,第三方库fake-useragent
方法1:构造随机函数
自己手动编写User-Agent池,然后随机获取其中一个就行了。
def get_ua():
import random
user_agents = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60',
'Opera/8.0 (Windows NT 5.1; U; en)',
'Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50',
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0',
'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2 ',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36',
'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)',
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0) ',
]
user_agent = random.choice(user_agents) # 随机抽取对象
return user_agent
# 调用
get_ua()
至于,在哪里找这些浏览器,网上一大堆,复制过来即可。
实际环境调用随机User-Agent池
import requests
def get_page(url):
ua = get_ua()
headers = 'User-Agent': ua
response = requests.get(url=url, headers=headers)
print(response.text)
if __name__ == '__main__':
get_page('https://www.baidu.com')
方法2: fake-useragent 库自动生成
注: 此库在2018年已经停止更新,版本目前停止在0.1.11,所以生成的浏览器版本都比较低。如果有网站检测浏览器版本号大小(范围)的话,就可能被检测到。
安装:
pip install fake-useragent
调用第三方库,生成指定浏览器的user-agent
from fake_useragent import UserAgent
ua = UserAgent()
ua.ie
# Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US);
ua.msie
# Mozilla/5.0 (compatible; MSIE 10.0; Macintosh; Intel Mac OS X 10_7_3; Trident/6.0)'
ua['Internet Explorer']
# Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; GTB7.4; InfoPath.2; SV1; .NET CLR 3.3.69573; WOW64; en-US)
ua.opera
# Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11
ua.chrome
# Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2'
ua.google
# Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_4) AppleWebKit/537.13 (KHTML, like Gecko) Chrome/24.0.1290.1 Safari/537.13
ua['google chrome']
# Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11
ua.firefox
# Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:16.0.1) Gecko/20121011 Firefox/16.0.1
ua.ff
# Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1
ua.safari
# Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5355d Safari/8536.25
# and the best one, random via real world browser usage statistic
ua.random
官方文档:https://fake-useragent.readthedocs.io/en/latest/
实际示例代码:
from fake_useragent import UserAgent
import requests
ua=UserAgent()
#请求的网址
url="http://www.baidu.com"
#请求头
headers="User-Agent":ua.random
#请求网址
response=requests.get(url=url,headers=headers)
#响应体内容
print(response.text)
#响应状态信息
print(response.status_code)
#响应头信息
print(response.headers)
三、IP代理池
开源IP代理池,这里推荐两个:
https://github.com/Python3WebSpider/ProxyPool
https://github.com/jhao104/proxy_pool
这里用第二个测试,使用人数更多,而且一直在更新。
1:下载启动
Linux下载
git clone git@github.com:jhao104/proxy_pool.git
#或者
git clone https://github.com/jhao104/proxy_pool.git
使用docker compose启动
#进入目录
cd proxy_pool/
#启动代理池
docker compose up -d
启动web服务后, 默认配置下会开启 http://127.0.0.1:5010 的api接口服务:
api:
- /get :GET, 随机获取一个代理 ,可选参数: ?type=https 过滤支持https的代理
- /pop :GET, 获取并删除一个代理, 可选参数: ?type=https 过滤支持https的代理
- /all :GET, 获取所有代理 ,可选参数: ?type=https 过滤支持https的代理
- /count :GET, 查看代理数量,
- /delete :GET, 删除代理, ?proxy=host:ip
访问浏览器测试,我这里IP,192.168.152.100
2:爬虫使用
如果要在爬虫代码中使用的话, 可以将此api封装成函数直接使用,例如
import requests
def get_proxy():
return requests.get("http://127.0.0.1:5010/get/").json()
def delete_proxy(proxy):
requests.get("http://127.0.0.1:5010/delete/?proxy=".format(proxy))
# your spider code
def getHtml():
# ....
retry_count = 5
proxy = get_proxy().get("proxy")
while retry_count > 0:
try:
html = requests.get('http://www.example.com', proxies="http": "http://".format(proxy))
# 使用代理访问
return html
except Exception:
retry_count -= 1
# 删除代理池中代理
delete_proxy(proxy)
return None
更多使用方法,参考官方文档:https://proxy-pool.readthedocs.io/zh/latest/
以上是基本使用方法,都是免费的,质量也有限
以上是关于搭建免费代理IP池的主要内容,如果未能解决你的问题,请参考以下文章