新手必看！Python爬虫 教程：IP池的使用

news2025/1/11 4:08:57

前言
嗨喽~大家好呀，这里是小曼呐 ❤ ~!
在这里插入图片描述
一、简介

爬虫中为什么需要使用代理
一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会禁止这个IP的访问。

所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。

代理的分类：

  1. 正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。
  2. 反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

免费代理ip提供网站

  • http://www.goubanjia.com/
  • 西刺代理
  • 快代理

匿名度：

  • 透明：知道是代理ip，也会知道你的真实ip
  • 匿名：知道是代理ip，不会知道你的真实ip
  • 高匿：不知道是代理ip，不会知道你的真实ip

类型:

  • http:只能请求http开头的url
  • https:只能请求https开头的url

示例

import requests
'''
遇到问题没人解答？可以加小曼vx：python10010 发送验证时记得备注 “M”噢（这样小曼才知道是我的粉丝哦）
寻找有志同道合的小伙伴，互帮互助,还给大家准备了有不错的视频学习教程和PDF电子书！
'''

headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
url = 'https://www.baidu.com/s?wd=ip'

# 不同的代理IP,代理ip的类型必须和请求url的协议头保持一致
proxy_list = [
     {"http": "112.115.57.20:3128"},        
     {'http': '121.41.171.223:3128'}
]

# 随机获取代理IP
proxy = random.choice(proxy_list)

page_text = requests.get(url=url,headers=headers,proxies=proxy).text

with open('ip.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

print('over!')

二、IP池

1、免费IP池

从西刺代理上面爬取IP，迭代测试能否使用，

建立一个自己的代理IP池，随时更新用来抓取网站数据
在这里插入图片描述

'''
遇到问题没人解答？可以加小曼vx：python10010 发送验证时记得备注 “M”噢（这样小曼才知道是我的粉丝哦）
寻找有志同道合的小伙伴，互帮互助,还给大家准备了有不错的视频学习教程和PDF电子书！
'''
import requests
from lxml import etree
import time
import random
from fake_useragent import UserAgent


class GetProxyIP(object):
    def __init__(self):
        self.url = 'https://www.xicidaili.com/nn/'
        self.proxies = {
            'http': 'http://163.204.247.219:9999',
            'https': 'http://163.204.247.219:9999'}

    # 随机生成User-Agent
    def get_random_ua(self):
        ua = UserAgent()        # 创建User-Agent对象
        useragent = ua.random
        return useragent

    # 从西刺代理网站上获取随机的代理IP
    def get_ip_file(self, url):
        headers = {'User-Agent': self.get_random_ua()}
        html = requests.get(url=url, proxies=self.proxies, headers=headers, timeout=5).content.decode('utf-8', 'ignore')
        parse_html = etree.HTML(html)        
        tr_list = parse_html.xpath('//tr')              # 基准xpath，匹配每个代理IP的节点对象列表
        
        for tr in tr_list[1:]:
            ip = tr.xpath('./td[2]/text()')[0]
            port = tr.xpath('./td[3]/text()')[0]            
            self.test_proxy_ip(ip, port)                # 测试ip:port是否可用

    # 测试抓取的代理IP是否可用
    def test_proxy_ip(self, ip, port):
        proxies = {
            'http': 'http://{}:{}'.format(ip, port),
            'https': 'https://{}:{}'.format(ip, port), }
        test_url = 'http://www.baidu.com/'
        try:
            res = requests.get(url=test_url, proxies=proxies, timeout=8)
            if res.status_code == 200:
                print(ip, ":", port, 'Success')
                with open('proxies.txt', 'a') as f:
                    f.write(ip + ':' + port + '\n')
        except Exception as e:
            print(ip, port, 'Failed')

    def main(self):
        for i in range(1, 1001):
            url = self.url.format(i)
            self.get_ip_file(url)
            time.sleep(random.randint(5, 10))


if __name__ == '__main__':
    spider = GetProxyIP()
    spider.main()

从IP池中取IP，也就是在爬虫程序中从文件随机获取代理IP

import random
import requests


class BaiduSpider(object):
    def __init__(self):
        self.url = 'http://www.baidu.com/'
        self.headers = {'User-Agent': 'Mozilla/5.0'}
        self.flag = 1

    def get_proxies(self):
        with open('proxies.txt', 'r') as f:
            result = f.readlines()                  # 读取所有行并返回列表
        proxy_ip = random.choice(result)[:-1]       # 获取了所有代理IP
        L = proxy_ip.split(':')
        proxy_ip = {
            'http': 'http://{}:{}'.format(L[0], L[1]),
            'https': 'https://{}:{}'.format(L[0], L[1])
        }
        return proxy_ip

    def get_html(self):
        proxies = self.get_proxies()
        if self.flag <= 3:
            try:
                html = requests.get(url=self.url, proxies=proxies, headers=self.headers, timeout=5).text
                print(html)
            except Exception as e:
                print('Retry')
                self.flag += 1
                self.get_html()


if __name__ == '__main__':
    spider = BaiduSpider()
    spider.get_html()

2.收费代理API
写一个获取收费开放API代理的接口

'''
遇到问题没人解答？可以加小曼vx：python10010 发送验证时记得备注 “M”噢（这样小曼才知道是我的粉丝哦）
寻找有志同道合的小伙伴，互帮互助,还给大家准备了有不错的视频学习教程和PDF电子书！
'''
import requests
from fake_useragent import UserAgent

ua = UserAgent()                        # 创建User-Agent对象
useragent = ua.random
headers = {'User-Agent': useragent}


def ip_test(ip):
    url = 'http://www.baidu.com/'
    ip_port = ip.split(':')
    proxies = {
        'http': 'http://{}:{}'.format(ip_port[0], ip_port[1]),
        'https': 'https://{}:{}'.format(ip_port[0], ip_port[1]),
    }
    res = requests.get(url=url, headers=headers, proxies=proxies, timeout=5)
    if res.status_code == 200:
        return True
    else:
        return False


# 提取代理IP
def get_ip_list():
    # 快代理：https://www.kuaidaili.com/doc/product/dps/
    api_url = 'http://dev.kdlapi.com/api/getproxy/?orderid=946562662041898&num=100&protocol=1&method=2&an_an=1&an_ha=1&sep=2'
    html = requests.get(api_url).content.decode('utf-8', 'ignore')
    ip_port_list = html.split('\n')

    for ip in ip_port_list:
        with open('proxy_ip.txt', 'a') as f:
            if ip_test(ip):
                f.write(ip + '\n')


if __name__ == '__main__':
    get_ip_list()

3.私密代理
语法结构

用户名和密码会在给API_URL的时候给。不是自己的账号和账号密码

proxies = {
'协议':'协议://用户名:密码@IP:端口号'
}
proxies = {
    'http':'http://用户名:密码@IP:端口号',
    'https':'https://用户名:密码@IP:端口号'
}
proxies = {
    'http': 'http://309435365:szayclhp@106.75.71.140:16816',
    'https':'https://309435365:szayclhp@106.75.71.140:16816',
}

获取开放代理的接口

import requests
from fake_useragent import UserAgent

ua = UserAgent()  # 创建User-Agent对象
useragent = ua.random
headers = {'User-Agent': useragent}
'''
遇到问题没人解答？可以加小曼vx：python10010 发送验证时记得备注 “M”噢（这样小曼才知道是我的粉丝哦）
寻找有志同道合的小伙伴，互帮互助,还给大家准备了有不错的视频学习教程和PDF电子书！
'''

def ip_test(ip):
    url = 'https://blog.csdn.net/qq_34218078/article/details/90901602/'
    ip_port = ip.split(':')
    proxies = {
        'http': 'http://1786088386:b95djiha@{}:{}'.format(ip_port[0], ip_port[1]),
        'https': 'http://1786088386:b95djiha@{}:{}'.format(ip_port[0], ip_port[1]),
    }

    res = requests.get(url=url, headers=headers, proxies=proxies, timeout=5)
    if res.status_code == 200:
        print("OK")
        return True
    else:
        print(res.status_code)
        print("错误")
        return False


# 提取代理IP
def get_ip_list():
    # 快代理：https://www.kuaidaili.com/doc/product/dps/
    api_url = 'http://dps.kdlapi.com/api/getdps/?orderid=986603271748760&num=1000&signature=z4a5b2rpt062iejd6h7wvox16si0f7ct&pt=1&sep=2'
    html = requests.get(api_url).content.decode('utf-8', 'ignore')
    ip_port_list = html.split('\n')

    for ip in ip_port_list:
        with open('proxy_ip.txt', 'a') as f:
            if ip_test(ip):
                f.write(ip + '\n')


if __name__ == '__main__':
    get_ip_list()

思路：

  • 写一个类；
  • get_ip() requests请求接口，得到ip和port；
  • test_ip()请求某一网站，根据状态码或in判断是否有某一内容来判断此ip是否可用,返回Ture和False即可；
  • save_ip()测试成功后保存;

尾语
最后感谢你观看我的文章呐~本次航班到这里就结束啦 🛬

希望本篇文章有对你带来帮助 🎉，有学习到一点知识~

夜色难免黑凉，前行必有曙光（让我们一起努力叭）

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/999433.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

CE单相智能电力仪表ADL200

CE单相智能电力仪表ADL200

安科瑞 华楠 ADL200 单相电子式电能表主要用于计量低压网络的单相有功电能&#xff0c;同时可测量电压、电流、功率等电量&#xff0c; 并可选配 RS485 通讯功能&#xff0c;方便用户进行用电监测、集抄和管理。可灵活安装于配电箱内&#xff0c;实现对不同区域和不 同 负 荷 …
阅读更多...
分布式系统第三讲：全局唯一ID实现方案

分布式系统第三讲：全局唯一ID实现方案

分布式系统第三讲&#xff1a;全局唯一ID实现方案 本文主要介绍常见的分布式ID生成方式&#xff0c;大致分类的话可以分为两类&#xff1a;一种是类DB型的&#xff0c;根据设置不同起始值和步长来实现趋势递增&#xff0c;需要考虑服务的容错性和可用性; 另一种是类snowflake型…
阅读更多...
信息化发展34

信息化发展34

IT 审计目的 1 、IT 审计的目的是指通过开展IT 审计工作&#xff0c; 了解组织IT 系统与IT 活动的总体状况&#xff0c; 对组织是否实现口目标进行审查和评价&#xff0c; 充分识别与评估相关口风险&#xff0c;提出评价意见及改进建议&#xff0c; 促进组织实现IT 目标。 2 、…
阅读更多...
禁用或卸载没那么复杂！如何在Windows 11上禁用或删除McAfee

禁用或卸载没那么复杂！如何在Windows 11上禁用或删除McAfee

​当你从Microsoft以外的制造商处购买新的Windows设备时，该设备可能已安装McAfee防病毒软件。虽然在你的电脑上安装防病毒软件总是一个好主意，但你可能更喜欢与McAfee不同的程序。在这种情况下，了解如何卸载McAfee是很重要的。 另一方面，你可能对McAfee很满意，但需要暂时…
阅读更多...
忽悠苹果，销量垫底？小屏iPhone已经落寞，iPhone13mini即将停产

忽悠苹果，销量垫底？小屏iPhone已经落寞，iPhone13mini即将停产

苹果公司的小屏iPhone系列可能即将走到尽头。据彭博社报道&#xff0c;苹果最新发布的 iPhone 13 mini 库存已经见底&#xff0c;部分款式在美国官网发货时间显示为2-3周&#xff0c;甚至最久达到了6-8周。这种现象表明&#xff0c;在周二的发布活动结束后&#xff0c;苹果最后…
阅读更多...
SpringBoot底层注解

SpringBoot底层注解

文章目录 前言一、Configuration二、Import导入组件三、Conditional条件装配四、ImportResource导入Spring配置文件五、ConfigurationProperties配置绑定总结 前言 本文主要讲诉Configuration、Import、Conditional、ImportResource、ConfigurationProperties注解。 先将实体…
阅读更多...
一心堂正式启动“心链-SRM”项目，携手企企通搭建引领发展的采购供应链协同平台

一心堂正式启动“心链-SRM”项目，携手企企通搭建引领发展的采购供应链协同平台

近日&#xff0c;中国药品连锁零售行业首家上市企业一心堂药业集团股份有限公司&#xff08;以下简称“一心堂”&#xff09;与企企通成功召开“心链-SRM”采购供应链管理项目启动会。双方高层领导及项目团队关键成员出席现场&#xff0c;各子公司管理团队通过视频会议形式参与…
阅读更多...
双碳目标下基于“遥感+”集成技术的碳储量、碳排放、碳循环、温室气体等多领域监测与模拟实践

双碳目标下基于“遥感+”集成技术的碳储量、碳排放、碳循环、温室气体等多领域监测与模拟实践

卫星遥感具有客观、连续、稳定、大范围、重复观测的优点&#xff0c;已成为监测全球碳盘查不可或缺的技术手段&#xff0c;卫星遥感也正在成为新一代 、国际认可的全球碳核查方法。目的就是梳理碳中和与碳达峰对卫星遥感的现实需求&#xff0c;系统总结遥感技术在生态系统碳储量…
阅读更多...
利用VB宏设置将多个excel表合并为一个

利用VB宏设置将多个excel表合并为一个

多个excel合并成一个excel文件-应用哥科技 Sub MergeExcelFiles() 声明变量 Dim MyFile As Variant Dim MySheet As Worksheet, MySheet1 As Worksheet Dim LastRow As Long, LastRow1 As Long Dim NextRow As Long 设置初始值 NextRow 1 打开多个Excel文件 MyFile Applicati…
阅读更多...
【算法】分治法的应用——快速排序

【算法】分治法的应用——快速排序

创作不易&#xff0c;本篇文章如果帮助到了你&#xff0c;还请点赞 关注支持一下♡>&#x16966;<)!! 主页专栏有更多知识&#xff0c;如有疑问欢迎大家指正讨论&#xff0c;共同进步&#xff01; 给大家跳段街舞感谢支持&#xff01;ጿ ኈ ቼ ዽ ጿ ኈ ቼ ዽ ጿ ኈ ቼ …
阅读更多...
30岁+文转码程序媛求职路复盘：也算是逆袭了！

30岁+文转码程序媛求职路复盘：也算是逆袭了！

这篇文章来自一位群友的分享&#xff1a; 这篇文章写于下班路上&#xff0c;刚刚入职不久&#xff0c;我想再冲刺一下大厂&#xff0c;阳哥建议我坚持总结打卡&#xff0c;可以尝试写写博客。 那我就从这篇开始吧&#xff0c;希望开个好头&#xff01; 上班的感觉真好 今天是…
阅读更多...
bim与数字孪生智能建造的关系

bim与数字孪生智能建造的关系

随着建筑业数字化改革的推进&#xff0c;我们正迈入数字孪生时代&#xff0c;而真正实现建筑物数字孪生的智能建造&#xff0c;其基础前提是建造对象和建造过程的高度数字化&#xff0c;这样一个过程唯有依托BIM建立数据模型才能实现&#xff0c;真正达到智能建造或智慧运维。 …
阅读更多...
内网穿透的应用-如何搭建WordPress博客网站，并且发布至公网上？

内网穿透的应用-如何搭建WordPress博客网站，并且发布至公网上？

文章目录 如何搭建WordPress博客网站&#xff0c;并且发布至公网上&#xff1f;概述前置准备1 安装数据库管理工具1.1 安装图形图数据库管理工具&#xff0c;SQL_Front 2 创建一个新数据库2.1 创建数据库2.2 为数据库创建一个用户 3 安装PHP7.44. 创建一个新站点4.1 创建站点根…
阅读更多...
CUDA小白 - NPP(6) 图像处理 Geometry Transforms (1)

CUDA小白 - NPP(6) 图像处理 Geometry Transforms (1)

cuda小白 原始API链接 NPP GPU架构近些年也有不少的变化&#xff0c;具体的可以参考别的博主的介绍&#xff0c;都比较详细。还有一些cuda中的专有名词的含义&#xff0c;可以参考《详解CUDA的Context、Stream、Warp、SM、SP、Kernel、Block、Grid》 常见的NppStatus&#xf…
阅读更多...
Win11自带微软输入法怎么输入π及其他希腊字母

Win11自带微软输入法怎么输入π及其他希腊字母

如果用搜狗等第三方输入法的话就没有这些问题了&#xff0c;各种符号很方便。 自带的输入法输入 pi 和 pai 都不能正常输入 π \pi π 参考文章 https://www.cnblogs.com/qq-757617012/p/14078133.html 如果用自带的输入法可以采用以下方式 输入uuxl xl表示“希腊”&#x…
阅读更多...
最长回文子串（Longest Palindromic substring）

最长回文子串（Longest Palindromic substring）

什么叫回文串 就是正读和反读都是一样的字符串&#xff0c;比如aba,abba,cdc像这样的字符串都是回文字符串 暴力破解法来查找最长的回文子串 这个图解的意思就是我们要拿到每一个右边的数&#xff0c;然后与左边的数一一匹配 下面看一下java的实现代码 package com.pxx;/*** …
阅读更多...
详细解析如何用“双指针“解题（面试必备，小白一看就会系类）

详细解析如何用“双指针“解题（面试必备，小白一看就会系类）

一、前言 大家在平时的训练和交流中肯定多少都会听过或者见过用"双指针"去快速的解题&#xff0c;那么大家有没有想过&#xff0c;为什么要用"双指针"呢&#xff1f;这里的"双指针"和我们平时了解的指针一样吗&#xff1f; 其实&#xff0c;这里…
阅读更多...
Python数据分析实战-表连接-merge四种连接方式用法（附源码和实现效果）

Python数据分析实战-表连接-merge四种连接方式用法（附源码和实现效果）

实现功能 表连接-merge四种连接方式用法&#xff0c; 将两个pandas表根据一个或者多个键&#xff08;列&#xff09;值进行连接。 实现代码 import pandas as pddf1 pd.DataFrame({key: [a, b, d],data1: range(3)}) print(df1)df2 pd.DataFrame({key: [a, b, c, a, b],dat…
阅读更多...
电商商品的前后台类目设计思路，小本本记下来（提供获取京东淘宝商品类目信息API 免费测试）

电商商品的前后台类目设计思路，小本本记下来（提供获取京东淘宝商品类目信息API 免费测试）

今天&#xff0c;我们来聊聊商品类目的设计思路。 商品是电商的根基&#xff0c;核心目标是销&#xff0c;也就是卖货。卖货可以多层理解&#xff0c;卖给谁&#xff0c;怎么卖&#xff0c;什么货&#xff0c;其实就是人货场的概念。 我理解的货&#xff0c;不仅是商品层面&a…
阅读更多...
使用python requests上传文件

使用python requests上传文件

import requests# 指定要上传的文件 files {file: (example.txt, open(1.py, rb))}# 发送POST请求上传文件 response requests.post(http://baidu.com, filesfiles, proxies{http: 127.0.0.1:8080})# 检查响应 if response.status_code 200:print(文件上传成功) else:print(…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023