🌹前言
博主开始更新爬虫实战教程了，期待你的关注！！！
第一篇：Python爬虫实战（一）：翻页爬取数据存入SqlServer
第二篇：Python爬虫实战（二）：爬取快代理构建代理IP池
点赞收藏博主更有创作动力哟，以后常更！！！
构建IP池的目的
使用爬虫时，大部分网站都有一定的反爬措施，有些网站会限制每个 IP 的访问速度或访问次数，超出了它的限制你的 IP 就会被封掉。对于访问速度的处理比较简单，只要间隔一段时间爬取一次就行了，避免频繁访问；而对于访问次数，就需要使用代理 IP 来帮忙了，使用多个代理 IP 轮换着去访问目标网址可以有效地解决问题。
目前网上有很多的代理服务网站提供代理服务，也提供一些免费的代理，但可用性较差，如果需求较高可以购买付费代理，可用性较好。当然我们也可以自己构建代理池，从各种代理服务网站中免费获取代理 IP，并检测其可用性（去访问百度），再保存到文件中，需要使用的时候再调用。
爬取目标
我们要爬取的网页是：https://www.kuaidaili.com/free/inha/
红色框就是我们要爬取的内容：
博主爬取最后实现的效果如下：
准备工作
我用的是python3.8，VScode编辑器，所需的库有：requests、etree、time
开头导入所需用到的导入的库：
import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import time # 防止爬取过快可以睡眠一秒
准备就绪开始代码分析！
代码分析
先讲讲我的整体思路在逐步分析：
- 第一步：构造主页url地址，发送请求获取响应
- 第二步：解析数据，将数据分组
- 第三步：将数组的数据提取出来
- 第四步：检测代理IP的可用性
- 第五步：保存到文件中
第一步
构造主页的url地址，发送请求获取响应
# 1.发送请求，获取响应
def send_request(self,page):
print("=============正在抓取第{}页===========".format(page))
# 目标网页，添加headers参数
base_url = 'https://www.kuaidaili.com/free/inha/{}/'.format(page)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
# 发送请求：模拟浏览器发送请求，获取响应数据
response = requests.get(base_url,headers=headers)
data = response.content.decode()
time.sleep(1)
return data
这会就有小伙伴不明白了，你headers什么意思啊？
- 防止服务器把我们认出来是爬虫，所以模拟浏览器头部信息，向服务器发送消息
- 这个 “装” 肯定必须是要装的！！！
第二步
解析数据，将数据分组
从下图可以看出，我们需要的数据都在tr标签中：
所以分组取到tr标签下：
# 2.解析数据
def parse_data(self,data):
# 数据转换
html_data = etree.HTML(data)
# 分组数据
parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
return parse_list
第三步
提取分组中我们需要的数据，IP，类型和端口号
parse_list = self.parse_data(data)
for tr in parse_list:
proxies_dict = {}
http_type = tr.xpath('./td[4]/text()')
ip_num = tr.xpath('./td[1]/text()')
port_num = tr.xpath('./td[2]/text()')
http_type = ' '.join(http_type)
ip_num = ' '.join(ip_num)
port_num = ' '.join(port_num)
proxies_dict[http_type] = ip_num + ":" + port_num
proxies_list.append(proxies_dict)
这里做了拼接，{'HTTP': '36.111.187.154:8888'}这种形式存入列表，方便我们使用！
第四步
检测IP的可用性，因为是免费的IP所以有一些可能用不了，有一些访问速度较慢，这里我们让拼接好的ip去访问某度
0.1秒能访问成功的保存在另一个列表中！
def check_ip(self,proxies_list):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
can_use = []
for proxies in proxies_list:
try:
response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1)
if response.status_code == 200:
can_use.append(proxies)
except Exception as e:
print(e)
return can_use
第五步
将访问速度不错的ip保存在文件中，方便我们调用
def save(self,can_use):
file = open('IP.txt', 'w')
for i in range(len(can_use)):
s = str(can_use[i])+ '\n'
file.write(s)
file.close()
完整代码
import requests
from lxml import etree
import time
class daili:
# 1.发送请求，获取响应
def send_request(self,page):
print("=============正在抓取第{}页===========".format(page))
# 目标网页，添加headers参数
base_url = 'https://www.kuaidaili.com/free/inha/{}/'.format(page)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
# 发送请求：模拟浏览器发送请求，获取响应数据
response = requests.get(base_url,headers=headers)
data = response.content.decode()
time.sleep(1)
return data
# 2.解析数据
def parse_data(self,data):
# 数据转换
html_data = etree.HTML(data)
# 分组数据
parse_list = html_data.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
return parse_list
# 4.检测代理IP
def check_ip(self,proxies_list):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
can_use = []
for proxies in proxies_list:
try:
response = requests.get('https://www.baidu.com/',headers=headers,proxies=proxies,timeout=0.1)
if response.status_code == 200:
can_use.append(proxies)
except Exception as e:
print(e)
return can_use
# 5.保存到文件
def save(self,can_use):
file = open('IP.txt', 'w')
for i in range(len(can_use)):
s = str(can_use[i])+ '\n'
file.write(s)
file.close()
# 实现主要逻辑
def run(self):
proxies_list = []
# 实现翻页，我这里只爬取了四页（可以修改5所在的数字）
for page in range(1,5):
data = self.send_request(page)
parse_list = self.parse_data(data)
# 3.获取数据
for tr in parse_list:
proxies_dict = {}
http_type = tr.xpath('./td[4]/text()')
ip_num = tr.xpath('./td[1]/text()')
port_num = tr.xpath('./td[2]/text()')
http_type = ' '.join(http_type)
ip_num = ' '.join(ip_num)
port_num = ' '.join(port_num)
proxies_dict[http_type] = ip_num + ":" + port_num
proxies_list.append(proxies_dict)
print("获取到的代理IP数量：",len(proxies_list))
can_use = self.check_ip(proxies_list)
print("能用的代理IP数量：",len(can_use))
print("能用的代理IP:",can_use)
self.save(can_use)
if __name__ == "__main__":
dl = daili()
dl.run()
启动后的效果如下：
并生成文件：
O了O了！！！
使用方法
IP保存在文件中了，可有一些小伙伴还不知道怎么去使用？
这里我们需要实现，从文件中随机取出一个IP去访问网址，用到了random库文章来源：https://www.toymoban.com/news/detail-502240.html
import random
import requests
# 打开文件，换行读取
f=open("IP.txt","r")
file = f.readlines()
# 遍历并分别存入列表，方便随机选取IP
item = []
for proxies in file:
proxies = eval(proxies.replace('\n','')) # 以换行符分割，转换为dict对象
item.append(proxies)
proxies = random.choice(item) # 随机选取一个IP
url = 'https://www.baidu.com/'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}
response = requests.get(url,headers=headers,proxies=proxies)
print(response.status_code) # 输出状态码 200，表示访问成功
有讲的不对的地方，希望各位大佬指正！！！，如果有不明白的地方评论区留言回复！兄弟们来个点赞收藏有空就更新爬虫实战！！！
文章来源地址https://www.toymoban.com/news/detail-502240.html
到了这里，关于Python爬虫实战（二）：爬取快代理构建代理IP池的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
