【python案例】获取IP代理数据，筛选出符合需求的IP

news2024/11/17 15:46:01

前言

嗨喽，大家好呀~这里是爱看美女的茜茜呐

我们为什么要IP代理呢？

当采集数据, 批量采集数据, 请求速度过快, 网站可能会把你IP封掉 <你的网络进不去这个网站>

IP代理换一个IP, 再去采集请求数据

开发环境:

解释器版本: python 3.8
代码编辑器: pycharm 2021.2

第三方模块使用:

import requests —> 数据请求模块<工具>
import parsel —> 解析数据模块

第三方模块安装：

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令

可能安装失败原因：出现大量报红 (read time out)

解决方法: 因为是网络链接超时, 需要切换镜像源

可使用镜像源例举：

清华：https://pypi.tuna.tsinghua.edu.cn/simple
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
华中理工大学：https://pypi.hustunique.com/
山东理工大学：https://pypi.sdutlinux.org/

例如：pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple/ 模块名

👇 👇 👇 更多精彩机密、教程，尽在下方，赶紧点击了解吧~

素材、视频、完整代码、插件安装教程我都准备好了，直接在文末名片自取就可

思路分析

一. 抓包分析数据来源

明确需求:
- 确定采集网站以及采集数据是什么
  
  获取IP代理, 检测IP代理是否可用
```
 dit = {
     'http': 'http://' + IP:端口
 }
```
分析IP和端口号这两个数据, 请求那个网站可以得到?

抓包分析数据所在url地址 --> 开发者工具进行抓包分析
- F12 或者右键点击检查选择network 刷新网页
  
  为了让网页数据内容重新加载一遍
- 分析数据在哪里 --> 通过关键字<我们想要数据>搜索数据来源

二. 代码实现步骤过程

发送请求, 模拟浏览器对于url地址发送请求
获取数据, 获取服务器返回响应数据

开发者工具 --> response
解析数据, 提取我们想要数据内容

IP 端口
保存数据, 把可用IP代理保存本地

IP代理检测, 检测可用之后, 保存IP代理

代码展示

import requests
# 导入re正则 内置模块 不需要安装
import re
import parsel

use_list = []
all_list = []
for page in range(1, 11):
    # 请求链接
    url = f'https://****/free/inha/{page}/'
    # 模拟伪装 --> headers 请求头  字典数据类型
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)
    # re正则提取数据
    IP_list = re.findall('<td data-title="IP">(.*?)</td>', response.text)
    PORT_list = re.findall('<td data-title="PORT">(.*?)</td>', response.text)
    for IP, PORT in zip(IP_list, PORT_list):
        dit = {
            'http': 'http://' + IP + ':' + PORT,
            'https': 'https://' + IP + ':' + PORT,
        }
        all_list.append(dit)
        try:
            response_1 = requests.get(url='https://www.baidu.com/', headers=headers, proxies=dit, timeout=1)
            if response_1.status_code == 200:
                print(dit, '这个代理真润')
                use_list.append(dit)
        except:
            print(dit, 'He tui~ 用不了')


print('==========' * 50)
print(f'一共采集到{len(all_list)}个IP代理')
print(all_list)
print(f'可以使用的IP代理有{len(use_list)}个')
print(use_list)
with open('代理https.txt', mode='w', encoding='utf-8') as f:
    f.write('\n'.join([str(i) for i in use_list]))

括展小知识

解析方法:

1、re: 直接对于字符串数据提取

re.findall(‘匹配什么数据’, ‘什么地方匹配’) 找到我们想要数据内容

从什么地方去匹配什么数据

从 response.text 里面去匹配 (.?) 其中 (.?) 这段内容就是我们要的数据
() 表示你要的数据, .*? 匹配规则可以匹配任意字符(除了换行符\n)

2、css: 根据标签属性提取数据

list tbody tr td:nth-child(1) 定位标签元素
td:nth-child(1) 表示第一个td标签
td:nth-child(1)::text 表示提取第一个td标签里面文本数据
getall() 表示获取所有

css提取数据

    IP_list = selector.css('#list tbody tr td:nth-child(1)::text').getall()
    PORT_list = selector.css('#list tbody tr td:nth-child(2)::text').getall()
    print('===' * 50)
    print(IP_list)
    print(PORT_list)

css / xpath 转换数据类型

    selector = parsel.Selector(response.text)

3、 xpath: 根据标签节点提取数据

xpath提取数据

    IP_list = selector.xpath('//*[@id="list"]//tbody/tr/td[1]/text()').getall()
    PORT_list = selector.xpath('//*[@id="list"]//tbody/tr/td[2]/text()').getall()
    print('===' * 50)
    print(IP_list)
    print(PORT_list)