使用python爲爬蟲獲取免費代理ip

免費代理ip的爬取

爬蟲一直是python使用的一個重要部分，而許多網站也爲此做了許多反爬措施，其中爬蟲訪問過於頻繁直接封ip地址也作爲一種“傷敵一千，自損八百”的方法被許多網站採用，代理ip便可以防止這種情況出現。

搜索免費代理提供網站

提供免費代理的網站直接百度還是有很多的，這裏我就選取了西刺免費代理，選取了透明代理進行爬取。

分析界面

打開網址，可以看見ip很規則的排列，可以說是對爬蟲很友好了，Chrome打開F12分析這些代理的顯示方式，可以知道是使用列表直接顯示，還是比較簡單的，單擊下一頁可以看見url裏的最後多了個/2，頁面的變換也可以很清楚的知道了。

在html源碼中的分佈，

進行爬取和測試有效性

分析完畢開始爬取ip，直接使用第三方的requests和BeautifulSoup4，可以讓抓取變得很方便，代碼如下：

from iptools import header, dict2proxy
from bs4 import BeautifulSoup as Soup

def parse_items(items):
    # 存放ip信息字典的列表
    ips = []
    for item in items:
        tds = item.find_all('td')
        # 從對應位置獲取ip，端口，類型
        ip, port, _type = tds[1].text, int(tds[2].text), tds[5].text
        ips.append({'ip': ip, 'port': port, 'type': _type})
    return ips

def check_ip(ip):
    try:
        proxy = dict2proxy(ip)
        url = 'https://www.ipip.net/'
        r = requests.get(url, headers=head, proxies=pro,timeout=5)
        r.raise_for_status()
    except:
        return False
    else:
        return True

def get_proxies(index):
    url = 'http://www.xicidaili.com/nt/%d' % index
    r = requests.get(url, headers=header)
    r.encoding = r.apparent_encoding
    r.raise_for_status()
    soup = Soup(r.text, 'lxml')
    # 第一個是顯示最上方的信息的，需要丟掉
    items = soup.find_all('tr')[1:]
    ips = parse_items(items)
    good_proxies = []
    for ip in ips:
        if check(ip):
            good_proxies.append(ip)
    return good_proxies

就像在上面寫的，有效性我直接使用了ip查詢網站，獲得的ip基本確保可以直接使用。

寫入json文件

可以將獲取的ip存放在json文件中，json模塊的使用也很簡單，直接打開一個文件，使用dump方法寫入文件即可，

import json

def write_to_json(ips):
    with open('proxies.json', 'w', encoding='utf-8') as f:
        json.dump(ips, f, indent=4)

寫入後的文件內容如下：

寫入MongoDB

寫入數據庫後獲取和操作會很方便，

from pymongo import MongoClient as Client

def write_to_mongo(ips):
    client = Client(host='localhost', port=27017)
    db = client['proxies_db']
    coll = db['proxies']
    for ip in ips:
        if coll.find({'ip': ip['ip']}).count() == 0:
            coll.insert_one(ip)
    client.close()

寫入後使用RoboMongo查看

使用多線程

導入threading包，將Thread封裝一下，得到最終的代碼，

get_proxies.py

import json

import requests
import time

from proxies_get.iptools import header, dict2proxy
from bs4 import BeautifulSoup as Soup
from pymongo import MongoClient as Client
import threading


def parse_items(items):
    # 存放ip信息字典的列表
    ips = []
    for item in items:
        tds = item.find_all('td')
        # 從對應位置獲取ip，端口，類型
        ip, port, _type = tds[1].text, int(tds[2].text), tds[5].text.lower()
        ips.append({'ip': ip, 'port': port, 'type': _type})

    return ips


def check_ip(ip, good_proxies):
    try:
        pro = dict2proxy(ip)
        # print(pro)
        url = 'https://www.ipip.net/'
        r = requests.get(url, headers=header, proxies=pro, timeout=5)
        r.raise_for_status()
        print(r.status_code, ip['ip'])
    except Exception as e:
        # print(e)
        pass
    else:
        good_proxies.append(ip)


def write_to_json(ips):
    with open('proxies.json', 'w', encoding='utf-8') as f:
        json.dump(ips, f, indent=4)


def write_to_mongo(ips):
    '''將數據寫入mongoDB'''
    client = Client(host='localhost', port=27017)
    db = client['proxies_db']
    coll = db['proxies']
    # 先檢測，再寫入，防止重複
    for ip in ips:
        if coll.find({'ip': ip['ip']}).count() == 0:
            coll.insert_one(ip)
    client.close()


class GetThread(threading.Thread):
    '''對Thread進行封裝'''
    def __init__(self, args):
        threading.Thread.__init__(self, args=args)
        self.good_proxies = []

    def run(self):
        url = 'http://www.xicidaili.com/nt/%d' % self._args[0]
        # 發起網絡訪問
        r = requests.get(url, headers=header)
        r.encoding = r.apparent_encoding
        r.raise_for_status()
        soup = Soup(r.text, 'lxml')
        # 第一個是顯示最上方的信息的，需要丟掉
        items = soup.find_all('tr')[1:]
        ips = parse_items(items)
        threads = []
        for ip in ips:
            # 開啓多線程
            t = threading.Thread(target=check_ip, args=[ip, self.good_proxies])
            t.start()
            time.sleep(0.1)
            threads.append(t)
        [t.join() for t in threads]

    def get_result(self):
        return self.good_proxies


if __name__ == '__main__':
    # 主函數使用多線程
    threads = []
    for i in range(1, 30):
        t = GetThread(args=[i])
        t.start()
        time.sleep(10)
        threads.append(t)
    [t.join() for t in threads]
    for t in threads:
        proxies = t.get_result()
        write_to_mongo(proxies)

iptools.py

header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
                        'AppleWebKit/537.36 (KHTML, like Gecko) '
                        'Chrome/64.0.3282.186 Safari/537.36'}


def dict2proxy(dic):
    s = dic['type'] + '://' + dic['ip'] + ':' + str(dic['port'])
    return {'http': s, 'https': s}

總結

這個免費代理ip的爬蟲沒什麼太難的地方，就是服務器有點弱，一不小心就503了，需要限制一下訪問速度。