在爬取网站信息的过程中，有些网站为了防止爬虫，可能会限制每个ip的访问速度或访问次数。对于限制访问速度的情况，我们可以通过time.sleep进行短暂休眠后再次爬取。对于限制ip访问次数的时候我们需要通过代理ip轮换去访问目标网址。所以建立并维护好一个有效的代理ip池也是爬虫的一个准备工作。
网上提供免费代理ip的网址很多，下面我们以西刺网站为例来建立一个有效的代理ip池。
项目流程：
第一步：构造请求代理ip网站链接
def get_url(url): # 国内高匿代理的链接
url_list = []
for i in range(1,100):
url_new = url + str(i)
url_list.append(url_new)
return url_list
get_url ：生成要爬取目标网址的链接
第二步：获取网页内容
def get_content(url): # 获取网页内容
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'
headers = {'User-Agent': user_agent}
req = urllib.request.Request(url=url, headers=headers)
res = urllib.request.urlopen(req)
content = res.read()
return content.decode('utf-8')
get_content：接受的参数是传入的目标网站链接
第三步：提取网页中ip地址和端口号信息
def get_info(content): # 提取网页信息 / ip 端口
datas_ip = etree.HTML(content).xpath('//table[contains(@id,"ip_list")]/tr/td[2]/text()')
datas_port = etree.HTML(content).xpath('//table[contains(@id,"ip_list")]/tr/td[3]/text()')
with open("data.txt", "w") as fd:
for i in range(0,len(datas_ip)):
out = u""
out += u"" + datas_ip[i]
out += u":" + datas_port[i]
fd.write(out + u"\n") # 所有ip和端口号写入data文件
get_info：接收从get_content函数传来的网页内容，并使用etree解析出ip和端口号，将端口号和ip写入data.
第四步：验证代理ip的有效性
def verif_ip(ip,port): # 验证ip有效性
user_agent ='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'
headers = {'User-Agent':user_agent}
proxy = {'http':'http://%s:%s'%(ip,port)}
print(proxy)
proxy_handler = urllib.request.ProxyHandler(proxy)
opener = urllib.request.build_opener(proxy_handler)
urllib.request.install_opener(opener)
test_url = "https://www.baidu.com/"
req = urllib.request.Request(url=test_url,headers=headers)
time.sleep(6)
try:
res = urllib.request.urlopen(req)
time.sleep(3)
content = res.read()
if content:
print('that is ok')
with open("data2.txt", "a") as fd: # 有效ip保存到data2文件夹
fd.write(ip + u":" + port)
fd.write("\n")
else:
print('its not ok')
except urllib.request.URLError as e:
print(e.reason)
verif_ip：使用ProxyHandler建立代理，使用代理ip访问某网址，查看是否得到响应。如数据有效，则保存到data2.txt文件
最后：调用各个函数
if __name__ == '__main__':
url = 'http://www.xicidaili.com/nn/'
url_list = get_url(url)
for i in url_list:
print(i)
content = get_content(i)
time.sleep(3)
get_info(content)
with open("dali.txt", "r") as fd:
datas = fd.readlines()
for data in datas:
print(data.split(u":")[0])
# print('%d : %d'%(out[0],out[1]))
verif_ip(data.split(u":")[0],data.split(u":")[1])
得到爬取结果
———————————————————–分割线——————————————————-
本程序运行环境: Python 3.5.2
作者：赵宏田
出处：Python爬虫实战
知乎专栏：Python爬虫实战
最近很多人私信问我问题，平常知乎评论看到不多，如果没有及时回复，大家也可以加小编微信：tszhihu，进知乎大数据分析挖掘交流群，可以跟各位老师互相交流。谢谢。
原文地址：https://zhuanlan.zhihu.com/p/25285987
