Python爬虫IP代理池的建立和使用

正如在上一篇博文中提到的那样，同一个IP针对一个网站短时间内大量的访问通常会导致IP被封，除了在爬取数据时增加延迟(爬取量不大或者对爬取速度没要求)，还有一个好方法就是使用代理IP，这样就可以完美解决IP被封的问题。

那么，问题来了，代理的IP从哪儿来呢，土豪自然随意，直接淘宝买一些代理IP就好，稳定也不是特别贵。但对于技术爱好者，也许并没有那个需求，其实网上还是有很多免费的代理IP的，随意打开百度一搜就是，选择第一个不是广告的网站为例

可以看到，选择还是蛮多的，那么我们就从这个网站上抓取一些代理IP来使用吧，它的网址结构是'http://www.xicidaili.com/nn/'+PageNumber，每页有50个代理IP，可以很方便的用for循环来爬取所有代理IP。查看网页源码，发现所有的IP和端口都在 <tr class="">下第二个和第三个td类下，结合BeautifulSoup可以很方便地抓取信息，源代码如下

import urllib2
from bs4 import BeautifulSoup
import csv




def IPspider(numpage):
    csvfile = file('ips.csv', 'wb')  
    writer = csv.writer(csvfile)
    url='http://www.xicidaili.com/nn/'
    user_agent='IP'
    headers={'User-agent':user_agent}
    for num in xrange(1,numpage+1):
        ipurl=url+str(num)
        print 'Now downloading the '+str(num*100)+' ips'
        request=urllib2.Request(ipurl,headers=headers)
        content=urllib2.urlopen(request).read()
        bs=BeautifulSoup(content,'html.parser')
        res=bs.find_all('tr')
        for item in res:
            try:
                temp=[]
                tds=item.find_all('td')
                temp.append(tds[1].text.encode('utf-8'))
                temp.append(tds[2].text.encode('utf-8'))
                writer.writerow(temp)
            except IndexError:
                    pass
            
#假设爬取前十页所有的IP和端口
IPspider(10)

这样就爬到了1000个代理IP和端口，当然了，免费也有免费的坏处，那就是并不是所有的代理IP都可以用，所以我们需要检查一下哪些IP是可以使用的。如何检查该IP是否可用，我们就看连上代理后能不能在2秒内打开百度的页面，如果可以，则认为IP可用，添加到一个list里供后面备用，实现代码如下。

import socket
def IPpool():
    socket.setdefaulttimeout(2)
    reader=csv.reader(open('ips.csv'))
    IPpool=[]
    for row in reader:
        proxy=row[0]+':'+row[1]
        proxy_handler=urllib2.ProxyHandler({"http":proxy})
        opener=urllib2.build_opener(proxy_handler)
        urllib2.install_opener(opener)
        try:
            html=urllib2.urlopen('http://www.baidu.com')
            IPpool.append([row[0],row[1]])
        except Exception,e:
            continue
    return IPpool

这样的话，就取得了一系列可用的IP代理，配合之前的爬虫使用，就不太容易出现IP被封的情况了，不过在目前这种情况下，验证IP所需要的时间太久，所以可以采用多线程或者多进程的方法来进一步提高效率，我会在下一篇写一个抓取所有职位的详细信息的爬虫中详细讲到。

当然，如果有更好的验证IP可用性的方法，请告诉我，我总觉得用打开网站的方法很蠢，而且效率也不高。

最近一段时间有点迷茫啊，不知道有没有读博的小伙伴有类似的经历或感觉，自己的课题导师一点也不上心，又不给你指导又不与你方便，整天让你按着他的想法去给他做一些工作，倒不是不愿意干活，我只想保证自己按时顺利毕业就行，别总拖着我啊，生气生气！！！