查看原文
其他

Python构建代理池,突破IP的封锁爬取海量数据(送项目源码)

是沐沐呀 GOGO数据 2022-08-02
在昨天的文章中给大家分享了日常我在爬虫过程中使用的一些技巧。
说说我在爬虫中常用的8个技巧,最后一个屡试不爽
其中代理ip就是其中技巧之一,那么我们如何快速获得ip呢,今天我就带大家使用爬虫来获取免费的ip。

1. 打开网站首页,可以看到总共有十页数据,总共100条ip记录。咱们的目的很简单,就是要这100条ip和对应端口号。完了我们再去筛选那些ip是可用的。

http://www.ip3366.net/?stype=1&page=1

2. 我们打开浏览器模式模式分析页面看到这些ip信息都位于tr标签内,所以我么可以使用xpath来获取这些信息。

#获取当前页面10个ip数据
ips = selector.xpath('//*[@id="list"]/table/tbody/tr')
print(len(ips))
'''
10
'''


3. 获取到当前页面所有ip信息之后我们就可以使用for循环获取tr标签内部具体的ip和端口号。
# 获取端口和IP
for ip in ips:
    ip_num = ip.xpath('td[1]/text()').get()    # ip
    port_num = ip.xpath('td[2]/text()').get()  # port
    print(ip_num, port_num)
'''
49.70.151.180 3256
49.87.44.221 9999
42.177.142.239 9999
42.177.141.141 9999
42.176.134.43 9999
42.176.134.212 9999
49.71.142.114 9999
49.87.221.46 9999
49.87.221.120 9999
49.87.221.61 9999
'''


4. 接下来就使用for循环获取十个页面的100条数据。
    for page in range(110+1):
        print(f'-------正在爬取第{page}页数据-------')
        url = f'http://www.ip3366.net/?stype=1&page={page}'


5. 测试可用性,现在所有的ip都已经获取到了,能不能用还是未知数,所以我们试着有这些ip登陆一下百度页面,检测其可用性。
    for ip in ip_list:
        try:
            response = requests.get(url='https://www.baidu.com', proxies=ip, timeout=2)
            if response.status_code == 200:
                use_proxy.append(ip)
        except Exception as e:
            print(f'当前为第{count}个代理ip:', ip, '请求超时, 检测不合格!!!')
        else:
            print(f'当前为第{count}个代理ip:', ip, '检测通过')
检测结果如下:


测了两百个,才找到两个能用的

因为这些代理每小时都在更新,所以没事多跑两遍程序,总会获取到你想的ip的。
源码回复'爬ip'即可获取

回复关键字“简明手册”,立即获取

入门必备书籍《简明python教程》电子版


回复关键字“黑马爬虫教程”,立即获取

2021最新爬虫学习教程


回复关键字“最新Python面试题”,立即获取

2021最新Python面试题一套


回复关键字“字节刷题手册”,立即获取

入门必备书籍2021字节面试刷题手册


回复关键字“pandas”,立即获取

《pandas中文官方手册》

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存