爬虫实战【13】获取自己的动态代理ip池

在爬取一些比较友好的网站时，仍然有可能因为单位时间内访问次数过多，使服务器认定为机器访问，导致访问失败或者被封。如果我们使用不同的ip来访问网站的话，就可以绕过服务器的重复验证，使服务器以为使不同的人在访问，就不会被封了。

如何获取动态ip

网络上有很多提供代理ip的网站，我们经常使用的一个是西刺免费代理ip，url='http://www.xicidaili.com/'
我们来看一下这个网站的构成：
【插入图片，西刺代理页面】

我们获取这个页面上的所有ip即可。
一个合理的代理ip的格式是这样的：

{'http':'http://106.46.136.112:808'}

也就是说每个代理是一个字典，这个字典中可以有很多个ip，每个代理ip都是以http为key。当然考虑到字典的特性，如果我们只获取http为key的代理，那么这个字典中只能有一个元素。
我们就简单点，只考虑http的情况。
通过PyQuery来解析西刺的源代码，所有的ip都在一个tr里面，但是有些tr是标题，我们过滤一下就可以了。
由于页面比较简单，这里就不做介绍了。

如何使用代理ip

我们以requests库为例：

import requests

#这个字典可以只有一个键值对，如果只考虑http的情况
proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080"
}

requests.get("http://example.org", proxies=proxies)

全部代码

西刺也是有访问限制的，短时间内多次访问会被封锁，所以最好的办法是每个一个小时访问一下，将所有的代理ip保存到本地。
每次需要ip的时候从本地获取。

在下面的例子中，我们先获取到一个ip池，当然是文本格式的，然后短时间内访问了200次豆瓣主页，都成功了。

import requests
from pyquery import PyQuery
import random


def get_ip_page():
    url = 'http://www.xicidaili.com/'
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0'
    }  # 不加请求头信息还不能获取到源代码信息
    response = requests.get(url, headers=headers)
    try:
        if response.status_code == 200:
            # print(response.text)
            return response.text
    except Exception:
        print('获取ip出错！')


def parse_save_ip():
    html = get_ip_page()
    doc = PyQuery(html)
    even_ips = doc('tr').items()
    result = []
    try:
        for item in even_ips:
            ip = item.find('td').eq(1).text()
            port=item.find('td').eq(2).text()
            # http=item.find('td').eq(5).text()
            # proxy_ip={http:ip}
            # result.append(proxy_ip)
            if ip != '':
                # print(ip)
                result.append('http://'+ip+':'+port)
    except Exception:
        pass
    with open('proxy.csv','w') as f:
        for item in result:
            f.write(item)

def get_random_ip():
    #短时间内连续访问多次会被封住，将获取的代理ip存到本地，每个小时获取1次即可。
    with open('proxy.csv','r') as f:
        ips=f.readlines()
    random_ip = random.choice(ips)
    proxy_ip = {'http': random_ip}
    return proxy_ip


def how_to_use_proxy(proxy):
    url='https://www.douban.com/'
    webdata=requests.get(url=url,proxies=proxy)
    print(webdata)


def main():
    proxy = get_random_ip()
    print(proxy)
    how_to_use_proxy(proxy)

if __name__ == '__main__':
    parse_save_ip()
    for i in range(200):
        main()
        print('第%d次访问成功！'%(i+1,))