乐趣区

python爬取高匿代理IP再也不用担心会进小黑屋了

jiezi

为什么要用代理 IP

很多数据网站，对于反爬虫都做了一定的限制，这个如果写过一些爬虫程序的小伙伴应该都深有体会，其实主要还是 IP 进了小黑屋了，那么为了安全，就不能使用自己的实际 IP 去爬取人家网站了，这个时候，就需要采用代理 IP 去做这些事情……

为什么要用高匿代理

我们可以对比不同类型的代理的区别，根据代理的匿名程度，代理可以分为如下类别：

  • 高度匿名代理：会将数据包原封不动的转发，在服务端看来就好像真的是一个普通客户端在访问，而记录的 IP 则是代理服务器的 IP。
  • 普通匿名代理：会在数据包上做一些改动，服务器上有可能发现这是个代理服务器，也有一定几率追查到客户端的真实 IP。
  • 透明代理：不但改动了数据包，还会告诉服务器客户端的真实 IP。
  • 间谍代理：指组织或个人创建的用户记录用户传输的数据，然后进行研究、监控等目的的代理服务器。

运行环境

Python 运行环境：Windows + python3.6
用到的模块：requests、bs4、json
如未安装的模块，请使用 pip instatll xxxxxx 进行安装，例如：pip install requests

爬取西刺代理 IP

这里，我只大概爬取西刺高匿代理 50 页的数据，当然了，爬 100 页，爬全部，都是可以的，就不多说了；

def run(self):
    """执行入口"""
    page_list = range(1, 51)
    with open("ip.json", "w") as write_file:
        for page in page_list:
            # 分页爬取数据
            print('开始爬取第' + str(page) + '页 IP 数据')
            ip_url = self.base_url + str(page)
            html = self.get_url_html(ip_url)
            soup = BeautifulSoup(html, 'html.parser')
            # IP 列表
            ip_list = soup.select('#ip_list .odd')
            for ip_tr in ip_list:
                # 单条 Ip 信息
                td_list = ip_tr.select('td')
                ip_address = td_list[1].get_text()
                ip_port = td_list[2].get_text()
                ip_type = td_list[5].get_text()
                info = {'ip': ip_address, 'port': ip_port, 'type': ip_type}
                # 先校验一下 IP 的有效性再存储
                check_res = self.check_ip(info)
                if check_res:
                    print('IP 有效：', info)
                    self.json_data.append(info)
                else:
                    print('IP 无效：', info)
        json.dump(self.json_data, write_file)

检测代理 IP 是否有效

爬取到的代理 IP 可能不能用，为了方便使用的时候，不报太多异常错误，所以需要先检测一下 IP 是否能正常使用，是否是有效代理 IP，我这里列了三个网站，都可以很方便的检测 IP 地址是否能有效使用

  • http://icanhazip.com/ 这个网站能直接返回代理的 IP 地址
  • https://www.ip.cn/ 查询到代理的 IP 地址和位置信息
  • http://ip.chinaz.com/ 站长工具也能定位到 IP 地址和位置信息
def check_ip(self, ip_info):
    """测试 IP 地址是否有效"""
    ip_url = ip_info['ip'] + ':' + str(ip_info['port'])
    proxies = {'http': 'http://' + ip_url, 'https': 'https://' + ip_url}
    res = False
    try:
        request = requests.get(url=self.check_url, headers=self.header, proxies=proxies, timeout=3)
        if request.status_code == 200:
            res = True
    except Exception as error_info:
        res = False
    return res

存储代理 IP

我这里就不搞那些花里胡哨的，我直接把所有有效的代理 IP 的 json 格式的数据存储到文件中，当然了，也可以存储到 MongoDB 或者 MySQL 数据库中，不管怎样存储，在使用的时候都是随机选取一个 IP，更加方便快捷。

完整代码

代码我已经上传了 GitHub（GitHub 源码地址），但是呢，作为一个热心的搬瓦工，为了方便部分人想偷懒，不直接去交友网站查看，我在这里也贴一下源码出来吧，如果有啥问题，最好还是去交友网站找我，请接码……

#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""
利用 requests+bs4 爬取国内高匿代理 IP
author: gxcuizy
date: 2020-06-19
"""

import requests
from bs4 import BeautifulSoup
import json


class GetIpData(object):
    """爬取 50 页国内高匿代理 IP"""
    header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'}
    base_url = 'https://www.xicidaili.com/nn/'
    check_url = 'https://www.ip.cn/'
    json_data = []

    def get_url_html(self, url):
        """请求页面 html"""
        request = requests.get(url=url, headers=self.header, timeout=5)
        html = False
        if request.status_code == 200:
            html = request.content
        return html

    def check_ip(self, ip_info):
        """测试 IP 地址是否有效"""
        ip_url = ip_info['ip'] + ':' + str(ip_info['port'])
        proxies = {'http': 'http://' + ip_url, 'https': 'https://' + ip_url}
        res = False
        try:
            request = requests.get(url=self.check_url, headers=self.header, proxies=proxies, timeout=3)
            if request.status_code == 200:
                res = True
        except Exception as error_info:
            res = False
        return res

    def run(self):
        """执行入口"""
        page_list = range(1, 51)
        with open("ip.json", "w") as write_file:
            for page in page_list:
                # 分页爬取数据
                print('开始爬取第' + str(page) + '页 IP 数据')
                ip_url = self.base_url + str(page)
                html = self.get_url_html(ip_url)
                soup = BeautifulSoup(html, 'html.parser')
                # IP 列表
                ip_list = soup.select('#ip_list .odd')
                for ip_tr in ip_list:
                    # 单条 Ip 信息
                    td_list = ip_tr.select('td')
                    ip_address = td_list[1].get_text()
                    ip_port = td_list[2].get_text()
                    ip_type = td_list[5].get_text()
                    info = {'ip': ip_address, 'port': ip_port, 'type': ip_type}
                    # 先校验一下 IP 的有效性再存储
                    check_res = self.check_ip(info)
                    if check_res:
                        print('IP 有效：', info)
                        self.json_data.append(info)
                    else:
                        print('IP 无效：', info)
            json.dump(self.json_data, write_file)


# 程序主入口
if __name__ == '__main__':
    # 实例化
    ip = GetIpData()
    # 执行脚本
    ip.run()

最后

老规矩，大家有任何问题，都可以留言或者各种渠道告诉我，大家可以相互学习和交流，共同成长……

退出移动版