python爬虫关于ip代理池的获取和随机生成

news2024/12/23 13:37:44

前言

在进行爬虫开发时，代理IP池是一个非常重要的概念。代理IP池是指一个包含多个可用代理IP的集合，这些代理IP可以用来绕过网站的防爬虫策略，从而提高爬取数据的成功率。

在本文中，我们将介绍如何获取代理IP池，并且随机生成可用的代理IP。除此之外，我们还将以爬取微博热搜为例，介绍代理IP池的应用。

一、获取代理IP池

在获取代理IP池之前，我们需要先了解一些代理IP提供商的信息。代理IP提供商一般会提供API接口或者代理IP列表来供我们使用。

以站大爷为例，他们提供了一个API接口，在访问该接口时，可以随机获得一个可用的代理IP。使用Python来获取代理IP的代码如下：

```
import requests

def get_proxy():
    url = 'http://http://www.zdopen.com/ShortProxy/GetIP/?api=202207291010568666&akey=ca950945aa6aa851&timespan=1&type=1'
    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'}
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text.strip()
    return None
```

get_proxy函数通过访问API接口来获取一个可用的代理IP。其中，url参数是API接口的请求地址，headers参数中包含了User-Agent信息，这是为了避免被网站识别为爬虫。

接下来，我们需要将这些代理IP保存起来，供后面使用。在本文中，我们使用Python的list列表来保存代理IP。示例代码如下：

```
proxy_list = []

for i in range(10):
    proxy = get_proxy()
    if proxy:
        proxy_list.append(proxy)
```

上面的代码中，我们使用get_proxy函数来获取10个代理IP，并且将它们添加到一个名为proxy_list的list列表中。

二、随机获取代理IP

在使用代理IP时，我们需要随机获取一个代理IP。这样可以避免使用同一个代理IP过于频繁，从而提高爬取数据的成功率。

使用Python来随机获取代理IP的代码如下：

```
import random

def get_random_proxy():
    if proxy_list:
        return random.choice(proxy_list)
    return None
```

上面的代码中，我们使用Python的random模块，随机选择一个代理IP。如果代理IP池中没有可用的代理IP，就返回None。

三、代理IP池的应用

下面我们来介绍一个使用代理IP池的示例程序。该程序需要爬取微博热搜，由于微博对频繁访问有限制，我们需要使用代理IP来完成任务。

首先，我们需要获取微博热搜的页面源码。我们使用requests库来访问页面，然后使用lxml库解析HTML文档，找到热搜关键词。代码如下：

```
import requests
from lxml import etree

def parse_page(url):
    proxies = {'http': 'http://' + get_random_proxy(), 'https': 'https://' + get_random_proxy()}
    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'}
    try:
        response = requests.get(url, headers=headers, proxies=proxies)
        if response.status_code == 200:
            return response.text
    except:
        return None

def get_hot_search():
    url = 'https://s.weibo.com/top/summary?cate=realtimehot'
    html = parse_page(url)
    if html:
        results = []
        tree = etree.HTML(html)
        items = tree.xpath('//table[@class="data"][1]//tr[position()>1]')
        for item in items:
            rank = item.xpath('./td[@class="ranktop"]/text()')[0]
            keyword = item.xpath('./td[@class="td-02"]/a/text()')[0]
            hot = item.xpath('./td[@class="td-02"]/span/text()')[0]
            results.append({'rank': rank, 'keyword': keyword, 'hot': hot})
        return results
```

上面的代码中，我们使用get_random_proxy函数来随机选择一个代理IP，并且使用requests库来访问微博热搜页面。其中，proxies参数指定了使用的代理IP。接着，我们使用lxml库解析HTML文档，找到热搜关键词。

最后，我们将找到的热搜关键词和热度保存在一个名为results的列表中。