【Python】爬虫代理IP的使用+建立代理IP池

前言

在进行网络爬虫开发时，我们很容易遭遇反爬虫机制的阻碍。为了规避反爬虫机制，我们可以使用代理IP。代理IP是指通过代理服务器获取的可用于访问目标网站的IP地址，通过使用代理IP，我们可以隐藏自己的真实IP地址，避免被目标网站封禁。

但是，在使用代理IP时，我们需要注意一些问题：

1. 代理IP的质量。有些代理IP可能无法正常使用，需要对代理IP进行筛选和测试，确保代理IP的可用性。
2. 代理IP的多样性。不同位置、不同类型的代理IP都可以使用。我们需要建立起代理IP池，方便灵活地切换代理IP，提高抓取效率。

本文将介绍如何使用python爬虫实现代理IP的使用以及代理IP池的建立。

一、代理IP

1. 代理IP的获取

我们可以从代理IP供应商处购买或免费获取代理IP，也可以自己搭建代理服务器获取代理IP。

这里以免费获取代理IP为例。我们可以从以下网站获取免费代理IP：

https://www.zdaye.com/
https://www.kxdaili.com/
https://www.ip3366.net/

2. 代理IP的验证

通过免费获取的代理IP，我们不能保证其全部可用。因此，我们需要对代理IP进行验证。

验证代理IP的代码如下：

import requests

def check_proxy(proxy):
    try:
        res = requests.get('http://www.baidu.com', proxies=proxy, timeout=5)
        if res.status_code == 200:
            return True
        else:
            return False
    except:
        return False

我们通过访问百度网站来验证代理IP的可用性。如果可以成功访问，则返回True，否则返回False。如果代理IP的可用性值为True，则可以将其添加到代理IP池中，供后续使用。

3. 代理IP的使用

使用代理IP的代码如下：

import requests

def get_html(url, proxy):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
    try:
        res = requests.get(url, headers=headers, proxies=proxy, timeout=5)
        if res.status_code == 200:
            return res.text
        else:
            return None
    except:
        return None

我们通过为requests库的get方法传递一个proxies参数来使用代理IP。如果请求成功，则返回响应内容；否则返回None，表示请求失败。

二、建立代理IP池

1. 代理IP池的建立

我们可以从多个代理IP供应商处获取代理IP。在使用代理IP时，我们随机从代理IP池中选择一个代理IP，保证请求的随机性，提高反爬虫机制的规避效果。

代理IP池的建立代码如下：

import random
import requests

class ProxyPool(object):
    def __init__(self):
        self.pool = []

    def add_proxy(self, proxy):
        if self.check_proxy(proxy):
            self.pool.append(proxy)

    def check_proxy(self, proxy):
        try:
            res = requests.get('http://www.baidu.com', proxies=proxy, timeout=5)
            if res.status_code == 200:
                return True
            else:
                return False
        except:
            return False

    def get_proxy(self):
        if not self.pool:
            return None
        return random.choice(self.pool)

我们可以通过add_proxy方法往代理IP池中添加代理IP，通过get_proxy方法来随机获取一个可用的代理IP。

2. 动态维护代理IP池

在使用代理IP时，我们需要不断地维护代理IP池，剔除失效的代理IP，添加新的代理IP。

动态维护代理IP池的代码示例：

import time
from threading import Thread

class ProxyPool(object):
    def __init__(self):
        self.pool = []
        self.check_interval = 600  # 代理IP检查周期，单位为秒
        Thread(target=self.check_proxy_loop).start()

    def add_proxy(self, proxy):
        if self.check_proxy(proxy):
            self.pool.append(proxy)

    def check_proxy(self, proxy):
        try:
            res = requests.get('http://www.baidu.com', proxies=proxy, timeout=5)
            if res.status_code == 200:
                return True
            else:
                return False
        except:
            return False

    def get_proxy(self):
        if not self.pool:
            return None
        return random.choice(self.pool)

    def check_proxy_loop(self):
        while True:
            for proxy in self.pool:
                if not self.check_proxy(proxy):
                    self.pool.remove(proxy)
                    print('{} removed from proxy pool'.format(proxy))
            time.sleep(self.check_interval)

在代理IP池的构造函数中，我们创建了一个线程来循环检查代理IP池中的代理IP。如果检查到某个代理IP失效，则将其从代理IP池中移除，并在控制台输出信息提示。

三、完整代码

import random
import requests
from threading import Thread
import time

class ProxyPool(object):
    def __init__(self):
        self.pool = []
        self.check_interval = 600  # 代理IP检查周期，单位为秒
        Thread(target=self.check_proxy_loop).start()

    def add_proxy(self, proxy):
        if self.check_proxy(proxy):
            self.pool.append(proxy)

    def check_proxy(self, proxy):
        try:
            res = requests.get('http://www.baidu.com', proxies=proxy, timeout=5)
            if res.status_code == 200:
                return True
            else:
                return False
        except:
            return False

    def get_proxy(self):
        if not self.pool:
            return None
        return random.choice(self.pool)

    def check_proxy_loop(self):
        while True:
            for proxy in self.pool:
                if not self.check_proxy(proxy):
                    self.pool.remove(proxy)
                    print('{} removed from proxy pool'.format(proxy))
            time.sleep(self.check_interval)

def main():
    proxy_pool = ProxyPool()
    url = 'https://www.baidu.com'
    proxy = {'http': 'http://127.0.0.1:8080', 'https': 'http://127.0.0.1:8080'}
    html = get_html(url, proxy)
    print(html)

if __name__ == '__main__':
    main()

总结

本文介绍了如何使用python爬虫实现代理IP的使用以及代理IP池的建立。在使用代理IP时，我们需要注意代理IP的质量和多样性。在使用代理IP池时，我们需要不断地维护代理IP池，剔除失效的代理IP，添加新的代理IP，以免影响爬虫的性能。