在一些网页的内容爬取过程中,有时候在单位时间内如果我们发送的请求次数过多,网站就可能会封掉我们的IP地址,这时候为了保证我们的爬虫的正常运行,我们就要使用代理IP。
下面来介绍如何构建自己的IP池。
我们用快代理来获取代理ip地址:国内高匿免费HTTP代理IP - 快代理
通过lxml模块的etree,我们很快就可以通过网页源码来获取储存代理ip地址和端口以及IP类型的标签,对它们的爬取也不是一件难事。
IP爬到后接下来我们要验证我们爬取的IP是否是真正有效的,毕竟作为免费的IP,有效性还是不高的,需要我们进一步的甄别。
在这里我再分享一个网站:
http://icanhazip.com/
通过访问这个网站,我们可以得到自己当前的IP地址,由此我们可以根据访问该网站得到的返回数据与我们使用的代理IP进行对比观察是否相同,就可以判断我们爬取的代理IP是否有效了。
下面是完整代码:
import requests
from lxml import etree
import time
headers = {"User-Agent": "mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"}
def get_ips():
ls = []
ipps = []
for i in range(1, 3):
url = f"https://free.kuaidaili.com/free/inha/{i}/"
page = requests.get(url=url, headers=headers).text
tree = etree.HTML(page)
ips = tree.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
for i in ips:
try:
ip = "http://" + i.xpath('./td[@data-title="IP"]/text()')[0] + ":" + \
i.xpath('./td[@data-title="PORT"]/text()')[0]
ipps.append(ip)
except:
continue
time.sleep(1)
ipps = list(set(ipps))
for ip in ipps:
dic = {}
dic["http"] = ip
ls.append(dic)
return ls
def check_ips(ls):
url = 'http://icanhazip.com/'
for i in ls[::-1]:
try:
r = requests.get(url=url, headers=headers, proxies=i,timeout=5)
r.raise_for_status()
if r.text[:13]==i['http'][7:20]:
continue
else:
ls.remove(i)
except:
ls.remove(i)
return ls
def ips():
a=get_ips()
b=check_ips(a)
return b
if __name__ == '__main__':
print(ips())
上述代码我仅爬取快代理网站的前两页IP内容,如需更多,可更改get_ips()函数第一个for循环的次数。但是这种方法也有一个弊端,我是一页一页的爬取,然后把爬取的代理IP一个一个的判断,速度会慢下来不少。为了更高效的爬取,我们可以导入线程池,在爬取和验证的过程中均导入线程池,可以让我们爬取的速度成倍增长。
import requests
from lxml import etree
from multiprocessing.dummy import Pool
headers = {"User-Agent": "mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"}
ls=[]
ipps=[]
def get_ips(a):
url = f"https://free.kuaidaili.com/free/inha/{a}/"
page = requests.get(url=url, headers=headers).text
tree = etree.HTML(page)
ips = tree.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
for i in ips:
try:
ip = "http://" + i.xpath('./td[@data-title="IP"]/text()')[0] + ":" + \
i.xpath('./td[@data-title="PORT"]/text()')[0]
ipps.append(ip)
except:
continue
pool_1=Pool(2)
pool_1.map(get_ips,list(range(1,3)))
pool_1.close()
pool_1.join()
for ip in list(set(ipps)):
dic={}
dic['http']=ip
ls.append(dic)
print(len(ls))
def check_ips(i):
url = 'http://icanhazip.com/'
try:
r = requests.get(url=url, headers=headers, proxies=i,timeout=5)
r.raise_for_status()
if r.text[:13]==i['http'][7:20]:
pass
else:
ls.remove(i)
except:
ls.remove(i)
pool_2=Pool(15)
pool_2.map(check_ips,ls)
pool_2.close()
pool_2.join()
if __name__ == '__main__':
print(ls)
爬取前两页的代理IP,可以发现,基本上每5个代理IP中仅有1个是有用的,但毕竟这是免费的,我们仅仅是增加了一步验证的过程,总的来说,还是非常不错的。