如何在 Python 请求上轮换代理

Posted 2023-02-23

【中文标题】如何在 Python 请求上轮换代理

【英文标题】：How to rotate proxies on a Python requests

【发布时间】：2019-09-16 05:40:44

【问题描述】：

我正在尝试进行一些抓取，但每 4 个请求就被阻止一次。我试图改变代理，但错误是一样的。我应该怎么做才能正确更改它？

这是我尝试的一些代码。首先，我从免费网络上获得代理。然后我去用新的代理做请求，但它不起作用，因为我被阻止了。

from fake_useragent import UserAgent
import requests

def get_player(id,proxy):
    ua=UserAgent()
    headers = 'User-Agent':ua.random

    url='https://www.transfermarkt.es/jadon-sancho/profil/spieler/'+str(id)

    try:
        print(proxy)
        r=requests.get(u,headers=headers,proxies=proxy)
    execpt:

....
code to manage the data
....

获取代理

def get_proxies():
    ua=UserAgent()
    headers = 'User-Agent':ua.random
    url='https://free-proxy-list.net/'

    r=requests.get(url,headers=headers)
    page = BeautifulSoup(r.text, 'html.parser')

    proxies=[]

    for proxy in page.find_all('tr'):
        i=ip=port=0

    for data in proxy.find_all('td'):
        if i==0:
            ip=data.get_text()
        if i==1:
            port=data.get_text()
        i+=1

    if ip!=0 and port!=0:
        proxies+=['http':'http://'+ip+':'+port]

return proxies

调用函数

proxies=get_proxies()
for i in range(1,100):
    player=get_player(i,proxies[i//4])

....
code to manage the data  
....

我知道代理抓取很好，因为当我打印时，我会看到如下内容： 'http':'http://88.12.48.61:42365' 我不想被阻止。

【问题讨论】：

我过去遇到过这个问题。您知道这些代理是 HTTP 还是 HTTPS 代理，以及服务器是否只接受特定类型的代理？对我来说，我遇到了同样的问题，直到我了解到服务器只接受 HTTP 代理，但我给它提供了 HTTPS 代理。现在我的脚本只运行 24/7

有可能。我刚刚尝试过使用 HTTPS，但更糟糕的是因为我无法访问。使用 HTTP，我最多收到 6 个请求，但没有 HTTPS。

快速提问：你想抓取什么被屏蔽了？

是'tranfermarkt'，一个足球网站。最后我尝试使用 HTTPS 代理，但来自 'hidemyna.me/es/proxy-list/?type=s#list' 并且它有效。你知道另一个免费的页面来获取列表吗？

我使用 proxybroker（一个 github 包）来获取代理并且工作得很好

【参考方案1】：

我最近遇到了同样的问题，但是按照其他答案中的建议在线使用代理服务器总是有风险（从隐私的角度来看）、速度慢或不可靠。

相反，您可以使用requests-ip-rotator python 库通过 AWS API Gateway 代理流量，每次都会为您提供一个新 IP：pip install requests-ip-rotator

这可以按如下方式使用（专门针对您的网站）：

import requests
from requests_ip_rotator import ApiGateway, EXTRA_REGIONS

gateway = ApiGateway("https://www.transfermarkt.es")
gateway.start()

session = requests.Session()
session.mount("https://www.transfermarkt.es", gateway)

response = session.get("https://www.transfermarkt.es/jadon-sancho/profil/spieler/your_id")
print(response.status_code)

# Only run this line if you are no longer going to run the script, as it takes longer to boot up again next time.
gateway.shutdown() 

结合多线程/多处理，您将能够立即抓取网站。

AWS 免费套餐为每个区域提供 100 万个请求，因此此选项对于所有合理的抓取都是免费的。

【讨论】：

很棒的工具，感谢您将它放在一起！

谢谢！另外，我想补充一点，您需要从 AWS 获取 API 密钥并以这种方式添加它们：gateway = ApiGateway(site="site.com", access_key_id = AWS_ACCESS_KEY_ID, access_key_secret = AWS_SECRET_ACCESS_KEY) 您可以关注this guide。如何取回您的密钥。

确实 - 或者如果密钥存储在环境变量中，那么它们也将被自动使用，详见this aws guide :)

【参考方案2】：

import requests
from itertools import cycle

list_proxy = ['socks5://Username:Password@IP1:20000',
              'socks5://Username:Password@IP2:20000',
              'socks5://Username:Password@IP3:20000',
               'socks5://Username:Password@IP4:20000',
              ]

proxy_cycle = cycle(list_proxy)
# Prime the pump
proxy = next(proxy_cycle)

for i in range(1, 10):
    proxy = next(proxy_cycle)
    print(proxy)
    proxies = 
      "http": proxy,
      "https":proxy
    
    r = requests.get(url='https://ident.me/', proxies=proxies)
    print(r.text)

【讨论】：

这里“# Prime the pump”的目的是什么？

【参考方案3】：

从这样的网站使用免费代理的问题是

网站知道这些，可能会因为您使用其中之一而被阻止

你不知道其他人没有因为与他们一起做坏事而将他们列入黑名单

该网站可能会使用某种形式的其他标识符来根据其他特征（设备指纹识别、代理穿透等）跨代理跟踪您

不幸的是，除了更复杂（分布在多个设备上，使用 ***/TOR 等），您无能为力，并且您的 IP 可能会因尝试类似 DDOS 的流量而被阻止或，最好是看看网站有没有访问的API