python爬虫爬取代理ip构建代理ip池，并自动测试是否可用

最新推荐文章于 2024-04-30 14:52:07 发布
最新推荐文章于 2024-04-30 14:52:07 发布
阅读量907 收藏 8
点赞数 1
分类专栏： python 文章标签： python，爬虫
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cxn304/article/details/100893739
版权

python多线程非阻塞爬取代理ip并自动测试是否可用

推荐一个网站西刺代理，其中每天都会更新一些高匿代理ip供使用。https://www.xicidaili.com/
一页有99个ip，但是经我测试，一般只有7-8个可以使用，不过已经足够了。（毕竟是免费的），现在我来给出如何爬取代理ip并测试其是否可用。

引入要使用的类

import requests, os, re, time, random
from threading import Thread

只有requests是需要下载安装的

定义findProxy类

class findProxy:  # 采用多线程方式判断爬到的proxy是否可以用
    def __init__(self):
        self.canUseProxy = []
        self.USER_AGENTS = [
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
            "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
            "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
            "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
            "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
            "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
            "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
            "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
            "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
            "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
            "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
            "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
            "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
        ]

self.USER_AGENTS是我给出的请求表头

爬取西刺代理的html

    def getProxy(self):  # 获取整个网页
        head = {
            'User-Agent': random.choice(self.USER_AGENTS),
            'Host': 'www.xicidaili.com',
            'Accept': 'text/html, application/xhtml+xml, image/jxr, */*',
            'Accept-Encoding': 'gzip,deflate',
            'Connection': 'keep-alive'
        }  # Host用来伪装
        r = requests.get('http://www.xicidaili.com/nn/', headers=head)
        return r.text

这个函数返回西刺代理第一页的html源文件。因为第二页基本上是昨天的代理信息，几乎全都无法使用，所以只爬取第一页数据。

从html中用正则得到ip地址和端口，并写入ip池字典

    def proxy_dict(html):
        proxyIp = re.findall(r'\d+\.\d+\.\d+\.\d+', html)  # findall适用于文本类型的数据  # 匹配ip地址
        proxyPort = re.findall(r'<td>\d+</td>', html)  # 匹配端口
        pTemp = ''.join(proxyPort)  # join的作用是把列表中的各个值连接起来成一个大字符串
        proxyDict = {}
        proxyDict.setdefault('http', [])
        proxyDict.setdefault('https', [])

        for i in range(len(proxyIp)):
            proxyPort = re.findall(r'\d+', pTemp)  # 从有<td>标签的proxyPort中把端口纯数字提取出来覆盖到proxyPort当中
            proxyUrl = 'http://{0}:{1}'.format(proxyIp[i],
                                               proxyPort[i])  # 传给requests的字典，不论http还是https，这里都是'http://{0}:{1}'
            proxyDict['http'].append(proxyUrl)  # 给字典循环赋值
            proxyDict.setdefault('http', [])  #  setdefault确保了http键存在与字典中
            proxyDict['https'].append(proxyUrl)  # 给字典循环赋值 https
            proxyDict.setdefault('https', [])  

        return proxyDict

以上函数寻找出第一页的99个ip及端口号，并存在proxyDict字典当中。

判断ip是否能用

    def openProxy(self, Dict, i):
        try:
            head = {
                "User-Agent": random.choice(self.USER_AGENTS),
                "Referer": "http://ip.tool.chinaz.com/",
                'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
                'Connection': 'keep-alive'
            }
            proxy = Dict['http'][i]
            proxies = {'http': proxy,
                       'https': proxy}
            content = requests.get('http://ip.tool.chinaz.com/' + proxy, headers=head, proxies=proxies, timeout=50)
            # get函数的是返回Response格式的东西
            # content.encode()
            print(proxy)
            self.canUseProxy.append(proxy)
        except Exception as e:
            1

这个函数通过把ip和端口号传到站长工具ip测试里，判断ip是否能用。连接的时候如果ip不能使用，会阻塞一段时间。如果使用单线程跑，将在这里浪费大量的时间。
接下来就是最重要的，通过开多线程，使这种I/O密集型操作的总耗时，变为几乎等同于消耗最长时间的那个单个测试ip的时间，即单个ip的阻塞时间。

开启多线程

    def rightProxy(self):
        html = self.getProxy()
        myDict = self.proxy_dict(html)
        nLoops = len(myDict['http'])
        threads = []
        sTime = time.time()
        # 开启多线程
        for j in range(nLoops):
            t = Thread(target=self.openProxy, args=(myDict, j,))
            threads.append(t)
        for j in range(nLoops):
            # 此处有一个坑，即如果同时有N个子线程join(timeout），那么实际上主线程会等待的
            # 超时时间最长为 N ＊ timeout， 因为每个子线程的超时开始时刻是上一个子线程超时结束的时刻。
            threads[j].setDaemon(True)
            threads[j].start()
        for j in range(nLoops):     # 等所有线程运行完毕
            threads[j].join()

        print('use ' + str(time.time() - sTime) + ' seconds')
        return self.canUseProxy

要注意的是，这里开启多线程使用的是单核。如果要使用多核，可以参考multiprocessing类。
最后加上一句fProxies = findProxy().rightProxy()即可得到所有能用的代理ip。

cxn304
关注
专栏目录
代理ip池（自动采集ip地址 从网站获取ip地址，检测是否可用，并实时更新，存入数据库中）
10-12
代理ip池（自动采集ip地址 从网站获取ip地址，检测是否可用，并实时更新，存入数据库中）
【爬虫】Python使用requests爬取代理IP并验证可用性
Catastrophe
03-08 9026
在编写爬虫的过程中为了避免IP地址被Ban掉，可以通过抓取IP代理后，通过代理IP进行对网页的访问。网络上有很多提供免费代理IP的网站，我们可以选择西刺进行代理IP的爬取并存储到csv文件中，并通过多进程来验证爬取IP的可用性。 http://www.xicidaili.com/就提供了很多免费的代理IP。 通过requests和lxml进行网页的爬取和解析。 在爬取之前我们首先设置请求头，...
python爬取代理IP并进行有效的IP测试
weixin_45066966的博客
10-07 2860
爬取代理IP及测试是否可用 很多人在爬虫时为了防止被封IP，所以就会去各大网站上查找免费的代理IP，由于不是每个IP地址都是有效的，如果要进去一个一个比对的话效率太低了，我也遇到了这种情况，所以就直接尝试了一下去网站爬取免费的代理IP，并且逐一的测试，最后将有效的IP进行返回。 在这里我选择的是89免费代理IP网站进行爬取，并且每一个IP都进行比对测试，最后会将可用的IP进行另存放为一个列表 https://www.89ip.cn/ 一、准备工作 导入包并且设置头标签 import requests
Python爬虫代理ip的获取与检测
ffhh123321的博客
08-12 376
现如今大数据时代，数据的信息的重要性已经涉及到很多的方面。爬虫也因此应运而生，成为了很火的一种技术。现在从事爬虫技术工作的人很多，很多的不管大还是小的公司，只要对数据有需求都需要用到爬虫，而爬虫代理对于数据的获取又是一个不可或缺的要素，很多的代理商也因此诞生。今天我们来分享下大家在数据采集过程必须的过程吗，代理IP的获取与检测。 许多写爬虫的朋友第一个碰到的难题就是：在对某个网站进行了持续一段时间的爬取之后，网站的反爬虫机制会返回一些错误的结果给爬虫，503、407，，，，要不就是强制给你跳转到登录界面，让
Internet Explorer® 8 之后，您可使用自动代理和自动检测功能，全局更改一些浏览器设置，而无需更改每个用户的计算机
y97523的专栏
01-06 5840
使用自动配置、自动代理和自动检测使用自动配置、自动代理和自动检测部署 Windows® Internet Explorer® 8 之后，您可使用自动代理和自动检测功能，全局更改一些浏览器设置，而无需更改每个用户的计算机。 此外，若要在部署后自定义用户计算机，可使用 Active Directory 或 Systems Management Server (S
python爬虫爬取代理ip
05-07
Python爬虫爬取代理IP是一项常见的网络数据获取任务，它主要涉及到Python编程、网络请求、网页解析、数据处理和代理服务器的使用等多个方面。在这个过程中，我们通常会使用到一些Python库来帮助我们完成任务，比如...
python爬虫构建代理ip池抓取数据库的示例代码
01-21
爬虫的小伙伴,肯定经常遇到ip被封的情况,而现在网络上的代理ip免费的已经很难找了,那么现在就用python的requests库从爬取代理ip，创建一个ip代理池，以备使用。 本代码包括ip的爬取，检测是否可用，可用保存，通过...
Python爬虫实战（二）：爬取快代理构建代理IP池
最新发布
m0_61549353的博客
04-30 634
不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~给大家准备的学习资料包括但不限于：Python 环境、pycharm编辑器/永久激活/翻译插件python 零基础视频教程Python 界面开发实战教程Python 爬虫实战教程Python 数据分析实战教程python 游戏开发实战教程Python 电子书100本。
Python爬虫使用代理IP的实现
09-18
因此，在实际使用中，通常需要设计代理IP池，当一个代理IP失效时，可以自动切换到下一个可用的代理IP。此外，对于付费的代理服务，通常会有更稳定的性能和更高的成功率。 在使用代理IP的同时，还要注意遵守目标网站...
python使用动态代理ip多线程爬取QQ空间相册
12-23
本教程将深入探讨如何利用Python实现动态代理IP、多线程以及Selenium库来爬取QQ空间相册中的图片。首先，我们需要理解每个标签背后的含义。 1. **Python爬虫**：Python因其丰富的库支持，成为爬虫开发的首选语言。...
python爬取89ip.cn代理IP并测试可用性
afei001
08-21 1343
    在对网站进行漏扫时，经常因为网站的安全设备导致漏扫无法进行。安全设备可能检测到漏扫属于违规行为，所以会进行拦截，一般是会将IP封一段时间。      1.需求分析，明确目标 爬取目标网站：https://www.89ip.cn/     首先明确目标：这里需要爬取的就是IP+端口。发现每个代理IP的内容都在标签中，而需要爬取的具体IP和端口都在它的子标签中。 page1：https://www.89ip.cn/index_1.html page2：https://www.89ip.cn/ind.
爬取代理ip，并做有效性检测
qq_36486573的博客
08-10 3486
爬虫 #!/usr/bin/env python # -*- coding:utf-8 -*- # author:Echean # datetime:2018/8/8 21:22 # software: PyCharm import json import sys import time import requests import re import random from scrapy ...
python使用ip代理池，测试ip是否有用
偷得浮生半日闲
09-21 3417
import requests # 导入requests模块用于访问测试自己的ip import random pro = ['1.119.129.2:8080', '115.174.66.148', '113.200.214.164'] # 在(http://www.xicidaili.com/wt/)上面收集的ip用于测试 # 没有使用字典的原因是 因为字典中的键是唯一的 http 和h
HTTPProxy在自动化测试中的运用及精简实现
一个测试工程师的代码世界
09-13 1416
透明代理 （transparent proxy）需要代理认证和代理识别，而不修改请求或响应。 非透明代理（non- transparent proxy）需修改请求或响应，以便为用户代理（user agent）提供附加服务
python爬虫时，判断IP代理是否有效的解决方法
热门推荐
小仙女说：但行好事，不问前程
10-23 3万+
1、不停的请求测试，可以发现网络IP在不断更新  import requests import random # 该网站会返回你请求网站时的IP地址信息 url = 'http://icanhazip.com' #首先我们在xicidaili.com中获取一些ip代理信息，放入列表中 proxies_list = [ 'http://117.66.167.116:8118', 'htt...
python 爬虫 检测代理ip是否有效
戴上微笑的博客
12-01 563
import requests import pandas from lxml import etree ip_table=pandas.read_excel('ip.xlsx') ip = ip_table['ip'] headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/53
Java网络爬虫（十一）--重构定时爬取以及IP代理池（多线程+Redis+代码优化）
Paranoid
08-10 1万+
一直觉得自己之前写的使用定时抓取构建IP代理池实在过于简陋，并且有一部分的代码写的并不合理，刚好最近又在学习多线程，就将之前的代码进行了重构，也方便对抓取代理ip有需求的人。之前自己写的那篇文章就不删除了，里面用到了MySQL以及循环调用ip的方法（一些东西也是值得了解的。取其精华，弃其糟粕吧），大家有兴趣的可以看一下（最主要的还是不舍得访问量，哈哈）。 注：由于xici代理网的ip代理并不是很
代理ip最新识别方法及代理ip有效性检测方法
congpao4329的博客
12-28 1433
　　网络营销时代，网络成为企业营销的重要工具。线上有非常多的营销渠道可以利用。当然方法也就越来越多：自媒体、抖音、电商、微商等等，尤其当走进大数据时代，爬虫可以帮助企业在线上采集到相当精准的用户信息，成为企业制定营销策略的关...
python爬虫之代理池的获取和可用性检测
weixin_40950781的博客
03-21 838
python爬虫之代理池的获取和可用性检测0x01 简介0x02 代码0x03 结果 0x01 简介 本文主要介绍免费代理IP的爬取和检测，主要使用beautifulsoup解析网页信息，摘取免费的代理ip和端口，爬取信息来源为公开的免费的代理池 0x02 代码 #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2020/3/21/02...
新手Python爬虫：免费IP代理池构建与代码分享
本文档主要介绍了作者利用Python编写的一个初级爬虫，目的是抓取免费的IP代理并构建一个IP代理池，以便在爬虫项目中使用。作者刚学习Python，这个项目是其学习过程中的实践作品，因此代码可能不够简洁，存在一些需要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值