【Python】Python爬虫使用代理IP的实现

news2024/10/7 14:22:09

前言

在爬虫的过程中，我们经常会遇到需要使用代理IP的情况。比如，针对目标网站的反爬机制，需要通过使用代理IP来规避风险。因此，本文主要介绍如何在Python爬虫中使用代理IP。

一、代理IP的作用

代理IP，顾名思义，就是使用代理服务器提供的IP地址来进行网络请求。代理服务器可以发挥以下作用：

隐藏发起请求的真实IP地址，起到一定的匿名效果。
提高网络请求的访问速度，通过代理服务器可以避免一些网络瓶颈和限制问题。
规避反爬机制，伪装成不同的IP，从而避免被封禁或限制访问。

二、代理IP的分类

高匿代理：代理服务器完全隐藏了客户机的IP，对于被代理的服务器来说，它看到的只是代理服务器的IP地址。
透明代理：代理服务器并没有隐藏客户机的IP，被代理的服务器可以轻易地检测出客户机的IP地址。
匿名代理：代理服务器隐藏了客户机的IP地址，但是在HTTP头中会添加“via”字段，可以被检测出来。

三、代理IP的获取

获取ip

在使用代理IP之前，我们需要先获得代理IP。有很多免费和收费的代理IP提供商，我们可以通过这些提供商免费或付费获取代理IP。这里我们介绍两个比较好用的免费代理IP提供网站：

https://www.zdaye.com/
https://www.kxdaili.com/

在这两个网站中，我们可以根据自己的需求搜索到符合条件的代理IP，然后将这些IP保存在本地，作为后续爬取时使用的代理IP池。

代码实现

在Python中，使用代理IP的示例代码如下：

import requests

# 使用代理IP
proxies = {
    'http': 'http://username:password@ip:port',
    'https': 'https://username:password@ip:port'
}

# 爬取目标网站
url = 'http://www.baidu.com'
res = requests.get(url, proxies=proxies)

其中，proxies字典中存放了我们要使用的代理IP。由于代理服务器需要进行身份验证，所以在IP地址前面需要加上用户名和密码，这样才能成功通过代理IP访问目标网站。如果代理IP是免费的，则不需要身份验证，直接写IP地址即可。

在使用代理IP时，需要特别注意以下几点：

代理IP的格式必须正确，否则会导致请求失败。
代理IP的质量影响着爬虫的效率和稳定性，建议选择高质量的代理IP。
在使用代理IP时，不要过于频繁地切换IP地址，否则可能会被目标网站封禁。
使用代理IP时，需要处理异常情况，比如代理服务器无法连接、请求超时等问题。

完整的Python爬虫使用代理IP的示例代码如下：

import requests
import random

# 读取代理IP池
def read_ips(file_path):
    ips = []
    with open(file_path, 'r') as f:
        for line in f:
            ip = line.strip()
            ips.append(ip)
    return ips

# 随机选择一个代理IP
def get_random_ip(ips):
    ip = random.choice(ips)
    return ip

# 使用代理IP访问网页
def get_page(url, proxies):
    try:
        res = requests.get(url, headers=headers, proxies=proxies, timeout=5)
        if res.status_code == 200:
            return res.text
    except requests.exceptions.RequestException as e:
        print(e)
        return None

if __name__ == '__main__':
    # 定义常量
    file_path = 'ips.txt'
    url = 'http://www.baidu.com'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }

    # 读取代理IP池
    ips = read_ips(file_path)

    # 随机选择一个代理IP
    ip = get_random_ip(ips)
    proxies = {
        'http': 'http://' + ip,
        'https': 'https://' + ip
    }

    # 使用代理IP访问网页
    html = get_page(url, proxies)
    print(html)

首先，我们定义了read_ips函数用来读取代理IP池，将读取到的IP地址保存在一个列表中。然后，我们定义了get_random_ip函数，用来随机选择一个代理IP。最后，我们定义了get_page函数用来使用代理IP访问目标网站。

在主函数中，我们先读取代理IP池，然后随机选择一个代理IP，将其作为参数传递给get_page函数。在get_page函数中，我们调用requests库的get方法，使用指定的代理IP访问目标网站，并返回响应的内容。如果访问成功，则将响应内容打印输出；否则输出异常信息。