• python爬虫构建代理ip池抓取数据库。


    爬虫的小伙伴,肯定经常遇到ip被封的情况,而现在网络上的代理ip免费的已经很难找了,那么现在就用python的requests库从爬取代理ip,创建一个ip代理池,以备使用。

    本代码包括ip的爬取,检测是否可用,可用保存,通过函数get_proxies可以获得ip,如:{'HTTPS': '106.12.7.54:8118'}

    下面放上源代码,并详细注释:

    import requests
    from lxml import etree
    from requests.packages import urllib3
    import random, time
    
    urllib3.disable_warnings()
    
    
    def spider(pages, max_change_porxies_times=300):
        """
        抓取 XiciDaili.com 的 http类型-代理ip-和端口号
    
        将所有抓取的ip存入 raw_ips.csv 待处理, 可用 check_proxies() 检查爬取到的代理ip是否可用
        -----
        :param pages:要抓取多少页
        :return:无返回
        """
        s = requests.session()
        s.trust_env = False
        s.verify = False
        urls =com/nn/{}'
        proxies = {}
        try_times = 0
        for i in range(pages):
            url = urls.format(i + 1)
            s.headers = {
                'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
                'Accept-Encoding': 'gzip, deflate, br',
                'Accept-Language': 'zh-CN,zh;q=0.9',
                'Connection': 'keep-alive',
                'Referer': urls.format(i if i > 0 else ''),
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}
            while True:
                content = s.get(url, headers=s.headers, proxies=proxies)
                time.sleep(random.uniform(1.5, 4))  # 每读取一次页面暂停一会,否则会被封
                if content.status_code == 503:  # 如果503则ip被封,就更换ip
                    proxies = get_proxies()
                    try_times += 1
                    print(f'第{str(try_times):0>3s}次变更,当前{proxies}')
                    if try_times > max_change_porxies_times:
                        print('超过最大尝试次数,连接失败!')
                        return -1
                    continue
                else:
                    break  # 如果返回码是200 ,就跳出while循环,对爬取的页面进行处理
    
            print(f'正在抓取第{i+1}页数据,共{pages}页')
            for j in range(2, 102):  # 用简单的xpath提取http,host和port
                tree = etree.HTML(content.text)
                http = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[6]/text()')[0]
                host = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[2]/text()')[0]
                port = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[3]/text()')[0]
                check_proxies(http, host, port)  # 检查提取的代理ip是否可用
    
    
    def check_proxies(http, host, port, test_url='http://www.baidu.com'):
        """
        检测给定的ip信息是否可用
    
        根据http,host,port组成proxies,对test_url进行连接测试,如果通过,则保存在 ips_pool.csv 中
        :param http: 传输协议类型
        :param host: 主机
        :param port: 端口号
        :param test_url: 测试ip
        :return: None
        """
        proxies = {http: host + ':' + port}
        try:
            res = requests.get(test_url, proxies=proxies, timeout=2)
            if res.status_code == 200:
                print(f'{proxies}检测通过')
                with open('ips_pool.csv', 'a+') as f:
                    f.write(','.join([http, host, port]) + '
    ')
        except Exception as e:  # 检测不通过,就不保存,别让报错打断程序
            print(e)
    
    
    def check_local_ip(fn, test_url):
        """
        检查存放在本地ip池的代理ip是否可用
    
        通过读取fn内容,加载每一条ip对test_url进行连接测试,链接成功则储存在 ips_pool.csv 文件中
        :param fn: filename,储存代理ip的文件名
        :param test_url: 要进行测试的ip
        :return: None
        """
        with open(fn, 'r') as f:
            datas = f.readlines()
            ip_pools = []
        for data in datas:
            # time.sleep(1)
            ip_msg = data.strip().split(',')
            http = ip_msg[0]
            host = ip_msg[1]
            port = ip_msg[2]
            proxies = {http: host + ':' + port}
            try:
                res = requests.get(test_url, proxies=proxies, timeout=2)
                if res.status_code == 200:
                    ip_pools.append(data)
                    print(f'{proxies}检测通过')
                    with open('ips_pool.csv', 'a+') as f:
                        f.write(','.join([http, host, port]) + '
    ')
            except Exception as e:
                print(e)
                continue
    
    
    def get_proxies(ip_pool_name='ips_pool.csv'):
        """
        从ip池获得一个随机的代理ip
        :param ip_pool_name: str,存放ip池的文件名,
        :return: 返回一个proxies字典,形如:{'HTTPS': '106.12.7.54:8118'}
        """
        with open(ip_pool_name, 'r') as f:
            datas = f.readlines()
        ran_num = random.choice(datas)
        ip = ran_num.strip().split(',')
        proxies = {ip[0]: ip[1] + ':' + ip[2]}
        return proxies
    
    
    if __name__ == '__main__':
        t1 = time.time()
        spider(pages=3400)
        t2 = time.time()
        print('抓取完毕,时间:', t2 - t1)
    
        # check_local_ip('raw_ips.csv','http://www.baidu.com')
    

      

  • 相关阅读:
    MySQL distinct 与 group by 去重(where/having)
    mysql 的垂直分表和水平分表
    查看mysql语句运行时间
    PHP的性能优化方法总结
    Apache ab 压测工具使用说明
    LNMP 性能优化之 PHP 性能优化
    [PHP]日志处理error_log()函数和配置使用
    cocos2dx之tolua++全面分析(二):类注册
    在命令行上启动genymotion虚拟机
    在64位ubuntu上安装alienbrain客户端
  • 原文地址:https://www.cnblogs.com/jiguangdongtaiip/p/13596835.html
Copyright © 2020-2023  润新知