Python搭建代理IP池實現獲取IP的方法

使用爬蟲時，大部分網站都有一定的反爬措施，有些網站會限制每個 IP 的訪問速度或訪問次數，超出了它的限制你的 IP 就會被封掉。對於訪問速度的處理比較簡單，只要間隔一段時間爬取一次就行了，避免頻繁訪問；而對於訪問次數，就需要使用代理 IP 來幫忙了，使用多個代理 IP 輪換着去訪問目標網址可以有效地解決問題。
目前網上有很多的代理服務網站提供代理服務，也提供一些免費的代理，但可用性較差，如果需求較高可以購買付費代理，可用性較好。
因此我們可以自己構建代理池，從各種代理服務網站中獲取代理 IP，並檢測其可用性（使用一個穩定的網址來檢測，最好是自己將要爬取的網站），再保存到數據庫中，需要使用的時候再調用。
使用的庫：requests、pyquery
幾個能提供免費代理的代理服務網站（排名不分先後）：

廠商名稱	地址
66代理	http://www.66ip.cn/
西刺代理	https://www.xicidaili.com
全網代理	http://www.goubanjia.com
雲代理	http://www.ip3366.net
IP海	http://www.iphai.com
快代理	https://www.kuaidaili.com
免費代理IP庫	http://ip.jiangxianli.com
代理服務網站	Crawler

代理獲取的相關代碼，把從每個網站提取 IP 的方法都放到一起，然後運行時只要調用相關方法即可
爲了實現靈活，將獲取代理的一個個方法統一定義一個規範，如統一定義以 crawl 開頭，這樣擴展的時候只需要添加 crawl 開頭的方法即可
在這裏實現了幾個示例，如抓取代理 66、西刺代理、雲代理、快代理 四個免費代理網站，這些方法都定義成生成器，通過 yield 返回。首先將網頁獲取，然後用 PyQuery 解析，解析出 IP 加端口形式的代理再返回
crawler.py

import json
import re
from utils import get_page
from pyquery import PyQuery as pq
 
# 元類
class ProxyMetaclass(type):
 def __new__(cls, name, bases, attrs):
  count = 0
  attrs['__CrawlFunc__'] = []
  for k, v in attrs.items():
   if 'crawl_' in k:
    attrs['__CrawlFunc__'].append(k)
    count += 1
  attrs['__CrawlFuncCount__'] = count
  return type.__new__(cls, name, bases, attrs)
 
class Crawler(object, metaclass=ProxyMetaclass):
 def get_proxies(self, callback):
  proxies = []
  for proxy in eval("self.{}()".format(callback)):
   print('成功獲取到代理', proxy)
   proxies.append(proxy)
  return proxies
 
 def crawl_daili66(self, page_count=4):
  start_url = 'http://www.66ip.cn/{}.html'
  urls = [start_url.format(page) for page in range(1, page_count + 1)]
  for url in urls:
   print('Crawling', url)
   html = get_page(url)
   if html:
    doc = pq(html)
    trs = doc('.containerbox table tr:gt(0)').items()
    for tr in trs:
     ip = tr.find('td:nth-child(1)').text()
     port = tr.find('td:nth-child(2)').text()
     yield ':'.join([ip, port])
 
 def crawl_xicidaili(self):
  for i in range(1, 3):
   start_url = 'http://www.xicidaili.com/nn/{}'.format(i)
   headers = {
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Host':'www.xicidaili.com',
    'Referer':'http://www.xicidaili.com/nn/3',
    'Upgrade-Insecure-Requests':'1',
   }
   html = get_page(start_url, options=headers)
   if html:
    find_trs = re.compile('<tr class.*?>(.*?)</tr>', re.S)
    trs = find_trs.findall(html)
    for tr in trs:
     find_ip = re.compile('<td>(\d+\.\d+\.\d+\.\d+)</td>') 
     re_ip_address = find_ip.findall(tr)
     find_port = re.compile('<td>(\d+)</td>')
     re_port = find_port.findall(tr)
     for address,port in zip(re_ip_address, re_port):
      address_port = address+':'+port
      yield address_port.replace(' ','')
 
 def crawl_ip3366(self):
  for i in range(1, 4):
   start_url = 'http://www.ip3366.net/?stype=1&page={}'.format(i)
   html = get_page(start_url)
   if html:
    find_tr = re.compile('<tr>(.*?)</tr>', re.S)
    trs = find_tr.findall(html)
    for s in range(1, len(trs)):
     find_ip = re.compile('<td>(\d+\.\d+\.\d+\.\d+)</td>')
     re_ip_address = find_ip.findall(trs[s])
     find_port = re.compile('<td>(\d+)</td>')
     re_port = find_port.findall(trs[s])
     for address,port in zip(re_ip_address, re_port):
      address_port = address+':'+port
      yield address_port.replace(' ','')
 
 def crawl_kuaidaili(self):
  for i in range(1, 4):
   start_url = 'http://www.kuaidaili.com/free/inha/{}/'.format(i)
   html = get_page(start_url)
   if html:
    ip_address = re.compile('<td data-title="IP">(.*?)</td>') 
    re_ip_address = ip_address.findall(html)
    port = re.compile('<td data-title="PORT">(.*?)</td>')
    re_port = port.findall(html)
    for address,port in zip(re_ip_address, re_port):
     address_port = address+':'+port
     yield address_port.replace(' ','')

定義了一個 ProxyMetaclass，Crawl 類將它設置爲元類，元類中實現了 new() 方法，遍歷 attrs 變量即可獲取類的所有方法信息，判斷方法名前面是否是 crawl，是則將其加入到 CrawlFunc 屬性中
代理網站的添加非常靈活，不僅可以添加免費代理，也可以添加付費代理，一些付費代理的提取方式類似，也通過 Web 的形式獲取再進行解析，解析方式可能更加簡單，如解析純文本或 Json，解析之後以同樣的方式返回，可以自行擴展
utils.py

import requests
from requests.exceptions import ConnectionError
 
base_headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36',
 'Accept-Encoding': 'gzip, deflate, sdch',
 'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'
}
 
def get_page(url, options={}):
 
 headers = dict(base_headers, **options)
 print('正在抓取', url)
 try:
  response = requests.get(url, headers=headers)
  print('抓取成功', url, response.status_code)
  if response.status_code == 200:
   return response.text
 except ConnectionError:
  print('抓取失敗', url)
  return None

抓取網頁內容的方法，訪問鏈接成功後返回整個網頁 HTML 內容，便於後續對網頁具體內容的提取。封裝成一個方法，讓上面的 crawler 在抓取各個網站時調用
進行抓取
getter.py

from crawler import Crawler
from setting import *
import sys
 
class Getter():
 def __init__(self):
  self.crawler = Crawler()
  
 def run(self):
  print('獲取器開始執行')
  for callback_label in range(self.crawler.__CrawlFuncCount__):
   callback = self.crawler.__CrawlFunc__[callback_label]
   # 獲取代理
   all_ip = self.crawler.get_proxies(callback)
 
if __name__ == '__main__':
 get = Getter()
 get.run()

網站上的免費 IP 就被成功抓取下來了，至於能不能用，就有待驗證了下一篇在寫
整個過程其實就是一個普通的爬蟲，而且沒什麼反爬措施，能到用代理 IP 的地步，代碼裏面的訪問、抓取部分的細節應該都看得懂