python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python自制IP代理模块

python爬虫实战之制作属于自己的一个IP代理模块

作者:il_持之以恒_li

Python爬虫常常会面临自己ip地址被封的情况,也许不懂的读者就只能等ip解封之后再进行接下来的操作了,为什么自己不做一个Python模块专门用于处理这种情况呢?文中对于读者开发Python爬虫肯定有一定的帮助,希望读者耐心看下去,需要的朋友可以参考下

一、使用PyChram的正则

首先,小编讲的不是爬取ip,而是讲了解PyCharm的正则,这里讲的正则不是Python的re模块哈!
而是PyCharm的正则功能,我们在PyChram的界面上按上Ctrl+R,可以发现,这里出现两行输入框

在这里插入图片描述

现在如果小编想把如下数据转换成一个字典存储

在这里插入图片描述

读者也许会一个一去改,但是小编只需在上述的那两个输入框内,输入一串字符串即可。

在这里插入图片描述

只需在第一个输入框中,输入(.*) : (.*)
在第二个输入框中,输入"$1":"$2",,看看效果如何

在这里插入图片描述

之后再给两端分别一个花括号和取一个字典名称即可。

二、制作一个随机User-Agent模块

反爬措施中,有这样一条,就是服务器会检查请求的user-agent参数值,如果检查的结果为python,那么服务器就知道这是爬虫,为了避免被服务器发现这是爬虫,通常user-agent参数值会设置浏览器的值,但是爬取一个网址时,每次都需要查看网址network下面的内容,显得比较繁琐,为什么不自定义一个随机获取user-agent的值模块呢?这样既可以减少查看network带来的繁琐,同时还可以避免服务器发现这是同一个user-agent发起多次请求。
说了这么多,那么具体怎样实现呢?

在这里插入图片描述

只需调用随机模块random的方法choice()即可,这个方法里面的参数类型时列表类型,具体参考代码如下:

import random

class useragent(object):

    def getUserAgent(self):
        useragents=[
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
            'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
            'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)',
        ]
        return random.choice(useragents)

这样我们就可以随机得到一个user-agent的值了。

三、最终实践

3.1 爬取快代理上的ip

接下来,就是最终实践了,制作属于自己的IP代理模块。

那么,从哪里获取IP呢?小编用的是快代理这个网址,网址链接为:https://www.kuaidaili.com/free/inha/1/

怎样提取IP呢?小编用的是xpath语法

在这里插入图片描述

参考代码如下:

import requests
from crawlers.userAgent import useragent  # 导入自己自定义的类,主要作用为随机取user-agent的值
from lxml import etree

url='https://www.kuaidaili.com/free/inha/1/'
headers={'user-agent':useragent().getUserAgent()}
rsp=requests.get(url=url,headers=headers)
HTML=etree.HTML(rsp.text)
infos=HTML.xpath("//table[@class='table table-bordered table-striped']/tbody/tr")
for info in infos:
    print(info.xpath('./td[1]/text()'))   # ip
    print(info.xpath('./td[2]/text()'))   # ip对应的端口 列表类型

怎样爬取多页呢?分析快代理那个网址,可以发现https://www.kuaidaili.com/free/inha/{页数}/ ,花括号里面就是页数,这个网址总页数为4038,这里小编只爬取5页,并且开始页数取(1,3000)之间的随机数,但是如果for循环这个过程,运行结果如下:

在这里插入图片描述

原来是请求过快的原因,只需在爬取1页之后,休眠几秒钟即可解决。

3.2 验证爬取到的ip是否可用

这里直接用百度这个网址作为测试网址,主要代码为:

url='https://www.baidu.com'
headers={'user-agent':useragent().getUserAgent()}
proxies={}   # ip ,这里只是讲一下关键代码,没有给出具体IP
rsp=requests.get(url=url,headers=headers,proxies=proxies,time=0.2)  # timeout为超时时间

只需判断rsp的状态码为200,如果是,把它添加到一个指定的列表中。

具体参考代码小编已经上传到Gitee上,链接为:ip代理模块

当然读者可用把这个文件保存到python\Lib文件夹下面,这样就可用随时随地导入了。

3.3 实战:利用爬取到的ip访问CSDN博客网址1000次

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

上述出现那个错误,小编上网搜索了一下原因,如下:

在这里插入图片描述

我想应该是第1种原因,ip被封,我这里没有设置超时时间,应该不会出现程序请求速度过快。

四、总结

上述那个ip代理模块还有很多的不足点,比如用它去访问一些网址时,不管运行多少次,输出的结果状态码不会时200,这也正常,毕竟免费的ip并不是每个都能用的。如果要说改进的话,就是多爬取几个不同ip代理网址,去重,这样的结果肯定会比上述的那个ip代理模块要好

到此这篇关于python爬虫实战之制作属于自己的一个IP代理模块的文章就介绍到这了,更多相关Python IP代理模块内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

您可能感兴趣的文章:
阅读全文