使用代理IP,是數據爬取過程中最常用的反爬手段之一。
有經費的,可以訂購代理ip提供商的套餐使用,沒有的也不擔心,許多網站通常都提供了較多的免費代理來吸引客戶。我們可以抓取這些免費的代理,來構建自己的代理IP池。
將代理抓取到本地後,因爲免費的時效性都較短,所以需要進行二次校驗。這一步,你可以定義一個通用的函數,或者,使用更簡潔高效的裝飾器
。
校驗分兩步:
- 正則校驗代理ip的格式是否正確
- requests添加代理請求目標網站,檢驗代理是否有效
實例如下:
from functools import wraps
import re
import requests
#目標網址
CHECK_URL = 'https://www.baidu.com'
#請求頭
HEADERS = {'User-Agent': 'Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11'}
#請求超時設置/秒
TIMEOUT = 5
'''
ip格式檢測裝飾器
:param ip:代理ip
:param port:代理端口
'''
def check_proxy_format(func):
@wraps(func)
def format_wrapper(*args,**kwargs):
ip,port = args[:2]
if re.match('[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}$',ip) and (port>0 and port<65535):
return func(*args,**kwargs)
print('代理:%s:%d 格式錯誤'%(ip,port))
return format_wrapper
'''
代理有效性檢測裝飾器
:param ip:代理ip
:param port:代理端口
:param ptype:協議類型
'''
def check_proxy_valid(func):
@wraps(func)
def valid_wrapper(*args,**kwargs):
ip, port,ptype = args
proxy = {ptype:'{}://{}:{}'.format(ptype,ip,port)}
try:
requests.packages.urllib3.disable_warnings() #忽略告警
resp = requests.get(CHECK_URL,headers=HEADERS,proxies=proxy,verify=False,allow_redirects=False,timeout=TIMEOUT)
if resp.status_code==200:
print('代理:',ip+':'+str(port),'有效')
return func(*args,**kwargs)
except Exception as e:
print('代理:%s:%d無效'%(ip,port))
return valid_wrapper
@check_proxy_format
@check_proxy_valid
def test(ip,port,ptype):
return True
test('218.60.8.99',3129,'http') #格式正確測試用例 1
test('118.30.82.54',3629,'http') #格式正確測試用例 2
test('2523.60.8.99',5179,'http')#格式錯誤測試用例
結果:
代理: 218.60.8.99:3129 有效
代理:118.30.82.54:3629無效
代理:2523.60.8.99:5179 格式錯誤
使用了多重裝飾器進行裝飾,不太懂的建議看下博主之前的文章。
博主其他文章推薦:
[1] 【python實用特性】- 迭代、可迭代對象、迭代器
[5] 【Matplotlib】-自定義座標軸刻度完成20萬+數據的可視化
[8] requests設置請求頭、代理