写在前面
建立Python爬虫IP代理池可以提高爬虫的稳定性和效率，可以有效避免IP被封锁或限制访问等问题。
下面是建立Python爬虫IP代理池的详细步骤和代码实现：
1. 获取代理IP
我们可以从一些代理IP网站上获取免费或付费的代理IP，或者自己租用代理IP服务。这里我们以站大爷代理为例，获取前10页的HTTP代理IP地址。
import requests
from scrapy.selector import Selector
def get_proxy_ips():
proxy_ips = []
for i in range(1, 11):
url = 'https://www.zdaye.com/free/'.format(i)
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'}
res = requests.get(url, headers=headers)
selector = Selector(text=res.text)
trs = selector.css('#ip_list tr')
for tr in trs[1:]:
ip = tr.css('td:nth-child(2)::text').extract_first()
port = tr.css('td:nth-child(3)::text').extract_first()
proxy_ips.append('{}:{}'.format(ip, port))
return proxy_ips2. 检测代理IP的可用性
获取到代理IP后，需要对其进行可用性的检测，筛选出可用性较高的IP地址。这里我们测试以百度为目标网站检测HTTP代理IP地址的可用性，如果响应码为200，则表明该IP地址可用。
import requests
def check_proxy_ip(ip):
url = 'http://www.baidu.com'
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'}
proxies = {'http': 'http://' + ip, 'https': 'https://' + ip}
try:
res = requests.get(url, headers=headers, proxies=proxies, timeout=10)
if res.status_code == 200:
return True
else:
return False
except:
return False3. 将可用的代理IP存储到池中
将可用的代理IP存储到一个IP池中，根据需要可以设置IP池的容量和存储时间。这里我们将可用的IP地址存储到redis数据库中。
import redis
def save_proxy_ips():
proxy_ips = get_proxy_ips()
pool = redis.ConnectionPool(host='localhost', port=6379, db=0)
r = redis.Redis(connection_pool=pool)
for ip in proxy_ips:
if check_proxy_ip(ip):
r.sadd('proxy_ip_pool', ip)4. 在爬虫程序中使用代理IP池
在爬虫程序中设置代理IP池，并在请求时随机选择一个可用的代理IP地址进行访问。这里我们使用requests库和random模块实现。
import requests
import redis
import random
def get_my_ip():
url = 'http://httpbin.org/ip'
res = requests.get(url)
return res.json()['origin']
def get_random_proxy():
pool = redis.ConnectionPool(host='localhost', port=6379, db=0)
r = redis.Redis(connection_pool=pool)
ip = r.srandmember('proxy_ip_pool')
return ip.decode('utf-8')
# 随机选择代理IP进行访问
def crawl(url):
proxy = {'http': 'http://'+get_random_proxy(), 'https': 'https://'+get_random_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=10)
if res.status_code == 200:
return res.text
else:
return None
except:
return None总结
需要注意的是，代理IP池的建立和使用需要注意IP的有效性和时效性，及时更新池中的IP地址，以保证代理IP的可用性。同时，在使用代理IP时需要遵守相关法律法规和网站的使用协议，不得用于非法活动。
