获得代理ippython_python爬虫之抓取代理服务器IP

前言

使用爬虫爬取网站的信息常常会遇到的问题是，你的爬虫行为被对方识别了，对方把你的IP屏蔽了，返回不了正常的数据给你。那么这时候就需要使用代理服务器IP来伪装你的请求了。

免费代理服务器网站有：

下面我们以西刺免费代理IP为例子看看是如何获取可用IP的。主要分为以下几个步骤：

请求url，获取网页数据

解析网页数据，找到包含【IP地址】和【端口】信息的节点，解析出这两个数据

验证取得的【IP地址】和【端口】信息是否可用

将验证可用的【IP地址】和【端口】信息保存起来(暂存到列表，或保存到文件，保存到数据库)

1. 请求网页数据

请求网页数据是使用requests库去做网络请求的，填入url，和header头部信息，使用get请求方式去请求，得到response相应后，返回response.text即是响应的文本内容，即网页文本内容。

# 请求url，获取网页数据

def _requestUrl(index):

src_url = 'http://www.xicidaili.com/nt/'

url = src_url + str(index)

if index == 0:

url = src_url

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'

}

response = requests.get(url, headers=headers)

return response.text

用浏览器打开网址看一下

python获取代理服务器ip

2. 解析网页数据

返回正确的网页数据之后，就可以开始对它进行解析了，这里使用BeautifulSoup库进行网页内容解析。如果是Chrome浏览器，按f12可以查看网页源码，如图

python获取代理服务器ip

找到某个tr行，第1个和第2个td列就是是ip和端口信息，因此我们可以用BeautifulSoup查找所以的tr行，再查找该tr行的第1个和第2个td列即可以获取该页面上所有的ip和端口信息了。

# 解析网页数据，获取ip和端口信息

def parseProxyIpList(content):

list = []

soup = BeautifulSoup(content, 'html.parser')

ips = soup.findAll('tr')

for x in range(1, len(ips)):

tds = ips[x].findAll('td')

ip_temp = 'http://' + tds[1].contents[0] + ':' + tds[2].contents[0]

print('发现ip：%s' % ip_temp)

list.append(ip_temp)

return list

3. 验证IP和端口是否可用

解析到页面上的所有ip和端口信息后，还需要验证它是否是有效的，然后对它们进行过滤，获取有效的ip列表。验证方法就是使用它作为代理地址，去请求网络，看是否能请求成功，如果请求成功，说明是有效的。当然，这里需要加上超时时间，以避免等待时间过长，这里设置超时时间为5秒。

# 过滤有效的ip信息

def filterValidProxyIp(list):

print('开始过滤可用ip 。。。')

validList = []

for ip in list:

if validateIp(ip):

print('%s 可用' % ip)

validList.append(ip)

else:

print('%s 无效' % ip)

return validList

# 验证ip是否有效

def validateIp(proxy):

proxy_temp = {"http": proxy}

url = "http://ip.chinaz.com/getip.aspx"

try:

response = requests.get(url, proxies=proxy_temp, timeout=5)

return True

except Exception as e:

return False

4. 发起请求，保存可用IP和端口信息

接下来要开始调用以上代码了。这里只爬取第1页数据

# 获取可用的代理ip列表

def getProxyIp():

allProxys = []

startPage = 0

endPage = 1

for index in range(startPage, endPage):

print('查找第 %s 页的ip信息' % index)

# 请求url，获取网页数据

content = _requestUrl(index)

# 解析网页数据，获取ip和端口信息

list = parseProxyIpList(content)

# 过滤有效的ip信息

list = filterValidProxyIp(list)

# 添加到有效列表中

allProxys.append(list)

print('第 %s 页的有效ip有以下：' % index)

print(list)

print('总共找到有效ip有以下：')

print(allProxys)

return allProxys

运行该爬虫程序之后，就可以开始爬取代理服务器信息了。如图

python获取代理服务器ip

python获取代理服务器ip

python获取代理服务器ip

总结

通过以上步骤就可以获取有效的代理服务器IP信息了，其他代理服务器IP网站的获取方式和这个大同小异，主要在于解析网页数据那里，需要找到包含IP和端口数据的标签，然后解析获取到。有了代理服务器IP，你就可以爬取更多网站的信息了。

还有个问题是，网站可能会对某个IP检测，如果超过一定请求次数，就会对其进行屏蔽，那这样会导致程序中断，无法获取所有的信息，这如何解决呢？欢迎关注我的微信公众号hesong，了解具体应对方式。