常听到很多人抱怨自己的ip因爬虫次数太多而被网站屏蔽,不得不频繁使用各种代理ip,却又因为网上的公开代理大部分都是不能使用,而又要花钱花精力去申请vip代理,几番波折又遭屏蔽。特此写一篇如何利用python搭建代理池的文章,以降低时间及精力成本,实现自动化获取活跃代理ip的功能。
运作原理
一、 网站代理获取
1. 爬免费代理网站的ip列表测试是否可用及是否是高匿
2. 若都是,则放进数据库,否则丢弃。
3. 重复第2步
二、 保证失效的代理能被尽快从代理池中挑出
1. 从爬虫数据库获取ip
2. 测试ip的可用性和匿名性
3. 如果可用且匿名,则保留,否则丢弃。
4. 重复第1步
说明①:可建立一个爬虫程序守护程序(daemon),有此方面需要的小伙伴可自行谷歌,在此不多做介绍。
说明②:可建立一个对外代理信息接口,无论你用nodejs或者flask/django或者php来写都没关系,在此也不多做介绍。
实现
建议库: requests, beautifulsoup, re, sqlite3。
其中,用requests库获取代理网站页面,用beautifulsoup和re两库来进行代理信息获取,用sqlite3来对这些信息进行存取。
如果必要(如代理网站有反爬虫策略时),可用phantomjs替代requests,或用相应库进行数据清理(如base64解码)。
下面简单展示一下各部分的代码:
首先是选择多个能爬取代理且不容易被屏蔽ip的网站,此处以proxy-list.org为例:
base_url = "https://proxy-list.org/english/index.php?p="
#ip地址及端口的正则
re_pattern_ip = re.compile("(.*):")
re_pattern_port = re.compile(":(.*)")
#网站有11页,所以循环11次获取所有代理ip及端口
for startingurl_param in range(1,11):
html_proxypage = requests.get(base_url+str(startingurl_param)).content
soup = bs(html_proxypage,"html.parser")
for raw_proxyinfo in soup.find_all("ul",{"class":none}):
#此网站有用base64简单对代理进行了加密,所以这里对其解码
ip_port = base64.b64decode(raw_proxyinfo.find("li",{"class":"proxy"}).text.replace("proxy('","").replace("')",""))
#接下来利用正则从网页数据中提取我们需要的信息
ip = re.findall(re_pattern_ip, ip_port)[0]
port = re.findall(re_pattern_port, ip_port)[0]
type = raw_proxyinfo.find("li",{"class":"https"}).text
接下来是一段简易代理池框架类的代码,提供代理数据库的添加、删除、可连接性检测、匿名性检测:
class proxypool:
#初始化爬虫池数据库
def __init__(self,proxypooldb):
self.proxypooldb = proxypooldb
self.conn = sqlite3.connect(self.proxypooldb, isolation_level=none)
self.cursor = self.conn.cursor()
self.tb_proxypool = "tb_proxypool"
self.cursor.execute("create table if not exists "+self.tb_proxypool+"(ip text unique, port integer, protocol text)")
#添加代理ip进代理池的接口
def addproxy(self, ip, port, protocol):
self.cursor.execute("insert or ignore into " + self.tb_proxypool+"(ip, port, protocol) values (?,?,?)", [ip,port,protocol])
#检查代理的匿名性及可连接性
def testconnection(self, ip, port, protocol):
proxies = { protocol: ip+":"+port }
try:
origionalip = requests.get("http://icanhazip.com",timeout=req_timeout).content
maskedip = requests.get("http://icanhazip.com", timeout=req_timeout,proxies=proxies).content
if origionalip != maskedip:
return true
else:
return false
except:
return false
#删除代理ip对应的数据库记录
def delrecord(self, ip):
self.cursor.execute("delete from "+self.tb_proxypool+" where ip=?",(ip,))
下面是对代理池进行去“失效ip”的代码:
#循环代理池,逐行测试ip地址端口协议是否可用
def cleannonworking(self):
for info in self.cursor.execute("select * from "+self.tb_proxypool).fetchall():
ip = info[0]
port = str(info[1])
protocol = info[2].lower()
isanonymous = self.testconnection(ip,port,protocol)
if isanonymous == false:
#这条代理的可用性失效了,从数据库里删除
self.delrecord(ip)
#通过检测icanhazip.com回显来检测可用性及匿名性
def testconnection(self, ip, port, protocol):
proxies = { protocol: ip+":"+port }
try:
origionalip = requests.get("http://icanhazip.com",timeout=req_timeout).content
maskedip = requests.get("http://icanhazip.com", timeout=req_timeout,proxies=proxies).content
if origionalip != maskedip:
return true
else:
return false
except:
return false
反思
这个项目是我当年用python练手写的,以现在的程度再来回顾,逻辑不够严谨,各类功能太过耦合,不少段落需要重写,因为代码是在校园网内所跑,所以还需要考虑到网络连接的稳定性,这就造成部分代码之间的混乱关系。
通过icanhazip.com来检测代理匿名性的方法或许有效,但却忽略了x-forwarded-for的http头,所以有很大风险,必须改进。
验证代理池内代理的有效性,需要多线程,目前的方案效率太低。
完整代码
放在此文章中的是代理池的核心代码,旨在提供各位读者能够自己实现的思路及参考,ubuntu 16.04及kali下用python 2.7测试可运行。