进击的爬虫:用Python搭建匿名代理池

进击的爬虫:用Python搭建匿名代理池01.写在前面常听到很多人抱怨自己的IP因爬虫次数太多而被网站屏蔽,不得不频繁使用各种代理IP,却又因为网上的公开代理大部分都是不能使用,而又要

欢迎大家来到IT世界,在知识的湖畔探索吧!

01.写在前面

常听到很多人抱怨自己的IP因爬虫次数太多而被网站屏蔽,不得不频繁使用各种代理IP,却又因为网上的公开代理大部分都是不能使用,而又要花钱花精力去申请VIP代理,几番波折又遭屏蔽。特此写一篇如何利用Python搭建代理池的文章,以降低时间及精力成本,实现自动化获取活跃代理IP的功能。

02 运作原理

一、 网站代理获取

1. 爬免费代理网站的IP列表测试是否可用及是否是高匿

2. 若都是,则放进数据库,否则丢弃。

3. 重复第2步

二、 保证失效的代理能被尽快从代理池中挑出

1. 从爬虫数据库获取IP

2. 测试IP的可用性和匿名性

3. 如果可用且匿名,则保留,否则丢弃。

4. 重复第1步

说明①:可建立一个爬虫程序守护程序(Daemon),有此方面需要的小伙伴可自行谷歌,在此不多做介绍。

说明②:可建立一个对外代理信息接口,无论你用NodeJS或者Flask/Django或者PHP来写都没关系,在此也不多做介绍。

03 实现

建议库:requests, BeautifulSoup, re, sqlite3。

其中,用requests库获取代理网站页面,用BeautifulSoup和re两库来进行代理信息获取,用sqlite3来对这些信息进行存取。

如果必要(如代理网站有反爬虫策略时),可用PhantomJS替代requests,或用相应库进行数据清理(如base64解码)。

下面简单展示一下各部分的代码:

首先是选择多个能爬取代理且不容易被屏蔽IP的网站,此处以proxy-list.org为例:

  1. BASE_URL = “https://proxy-list.org/english/index.php?p=”

  2. #IP地址及端口的正则

  3. Re_Pattern_IP = re.compile(“(.*):”)

  4. Re_Pattern_PORT = re.compile(“:(.*)”)

  5. #网站有11页,所以循环11次获取所有代理IP及端口

  6. for startingURL_Param in range(1,11):

  7. HTML_ProxyPage = requests.get(BASE_URL+str(startingURL_Param)).content

  8. soup = bs(HTML_ProxyPage,”html.parser”)

  9. for Raw_ProxyInfo in soup.find_all(“ul”,{“class”:None}):

  10. #此网站有用Base64简单对代理进行了加密,所以这里对其解码

  11. ip_port = base64.b64decode(Raw_ProxyInfo.find(“li”,{“class”:”proxy”}).text.replace(“Proxy(‘”,””).replace(“‘)”,””))

  12. #接下来利用正则从网页数据中提取我们需要的信息

  13. IP = re.findall(Re_Pattern_IP, ip_port)[0]

  14. PORT = re.findall(Re_Pattern_PORT, ip_port)[0]

  15. TYPE = Raw_ProxyInfo.find(“li”,{“class”:”https”}).text

接下来是一段简易代理池框架类的代码,提供代理数据库的添加、删除、可连接性检测、匿名性检测:

  1. class ProxyPool:

  2. #初始化爬虫池数据库

  3. def __init__(self,ProxyPoolDB):

  4. self.ProxyPoolDB = ProxyPoolDB

  5. self.conn = sqlite3.connect(self.ProxyPoolDB, isolation_level=None)

  6. self.cursor = self.conn.cursor

  7. self.TB_ProxyPool = “TB_ProxyPool”

  8. self.cursor.execute(“CREATE TABLE IF NOT EXISTS “+self.TB_ProxyPool+”(ip TEXT UNIQUE, port INTEGER, protocol TEXT)”)

  9. #添加代理IP进代理池的接口

  10. def addProxy(self, IP, PORT, PROTOCOL):

  11. self.cursor.execute(“INSERT OR IGNORE INTO ” + self.TB_ProxyPool+”(ip, port, protocol) VALUES (?,?,?)”, [IP,PORT,PROTOCOL])

  12. #检查代理的匿名性及可连接性

  13. def testConnection(self, IP, PORT, PROTOCOL):

  14. proxies = { PROTOCOL: IP+”:”+PORT }

  15. try:

  16. OrigionalIP = requests.get(“http://icanhazip.com”, timeout=REQ_TIMEOUT).content

  17. MaskedIP = requests.get(“http://icanhazip.com”, timeout=REQ_TIMEOUT, proxies=proxies).content

  18. if OrigionalIP != MaskedIP:

  19. return True

  20. else:

  21. return False

  22. except:

  23. return False

  24. #删除代理IP对应的数据库记录

  25. def delRecord(self, IP):

  26. self.cursor.execute(“DELETE FROM “+self.TB_ProxyPool+” WHERE ip=?”,(IP,))

下面是对代理池进行去“失效IP”的代码:

  1. #循环代理池,逐行测试IP地址端口协议是否可用

  2. def cleanNonWorking(self):

  3. for info in self.cursor.execute(“SELECT * FROM “+self.TB_ProxyPool).fetchall:

  4. IP = info[0]

  5. PORT = str(info[1])

  6. PROTOCOL = info[2].lower

  7. isAnonymous = self.testConnection(IP,PORT,PROTOCOL)

  8. if isAnonymous == False:

  9. #这条代理的可用性失效了,从数据库里删除

  10. self.delRecord(IP)

  11. #通过检测icanhazip.com回显来检测可用性及匿名性

  12. def testConnection(self, IP, PORT, PROTOCOL):

  13. proxies = { PROTOCOL: IP+”:”+PORT }

  14. try:

  15. OrigionalIP = requests.get(“http://icanhazip.com”, timeout=REQ_TIMEOUT).content

  16. MaskedIP = requests.get(“http://icanhazip.com”, timeout=REQ_TIMEOUT, proxies=proxies).content

  17. if OrigionalIP != MaskedIP:

  18. return True

  19. else:

  20. return False

  21. except:

  22. return False

04 反思

这个项目是我年初时用Python练手写的,以现在的程度再来回顾,逻辑不够严谨,各类功能太过耦合,不少段落需要重写,因为代码是在校园网内所跑,所以还需要考虑到网络连接的稳定性,这就造成部分代码之间的混乱关系。

通过icanhazip.com来检测代理匿名性的方法或许有效,但却忽略了X-Forwarded-For的HTTP头,所以有很大风险,必须改进。

验证代理池内代理的有效性,需要多线程,目前的方案效率太低。

05 完整代码

放在此文章中的是代理池的核心代码,旨在提供各位读者能够自己实现的思路及参考。完整代码可在作者的Github主页中找到,Ubuntu 16.04及Kali下用Python 2.7测试可运行。

End.

作者:Python中文社区(中国统计网特邀认证作者)

本文为中国统计网原创文章,需要转载请联系中国统计网(info@itongji.cn ),转载时请注明作者及出处,并保留本文链接。

进击的爬虫:用Python搭建匿名代理池

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/36244.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

联系我们YX

mu99908888

在线咨询: 微信交谈

邮件:itzsgw@126.com

工作时间:时刻准备着!

关注微信