av片网,91综合激情,麻豆av传媒蜜桃天美传媒

主頁 > 知識庫 > python利用proxybroker構建爬蟲免費IP代理池的實現

python利用proxybroker構建爬蟲免費IP代理池的實現

前言

寫爬蟲的小伙伴可能遇到過這種情況：

正當悠閑地喝著咖啡，滿意地看著屏幕上的那一行行如流水般被爬下來的數據時，突然一個Error彈出，提示抓不到數據了...

然后你反復檢查，確信自己代碼莫得問題之后，發現居然連瀏覽器也無法正常訪問網頁了...

難道是網站被我爬癱瘓了？

然后你用手機瀏覽所爬網站，驚奇地發現居然能訪問!

才原來我的IP被網站給封了，拒絕了我的訪問

這時只能用IP代理來應對禁IP反爬策略了，但是網上高速穩定的代理IP大多都收費，看了看皺皺的錢包后，一個大膽的想法冒出

我要白嫖！

啥是IP代理？假如你現在17歲未成年，理想一點的情況會是，你去商店買煙，老板告訴你未成年不能買煙，并拒絕了你的購買，這叫被服務器拒絕訪問;

但是你不服氣啊，于是你找來你20歲的哥哥，叫他去商店老板那幫你買包煙，然后再給你，這就叫IP代理。

ProxyBroker簡介

ProxyBroker是一個開源軟件，它從各種不同的IP代理網站中抓來公開的代理IP，并實時地檢查代理IP的可用性，以供使用。

所以可以說ProxyBroker是一個集成了爬蟲技術的開源軟件。

ProxyBroker安裝

你可以通過pip來安裝ProxyBroker

pip install proxybroker

也可以直接從Github下載最新版本的ProxyBroker

pip install -U git+https://github.com/constverum/ProxyBroker.git

在終端使用ProxyBroker

安裝成功后，你可以在終端中使用命令proxybroker

proxybroker主要有三個子命令

find子命令

find子命令用于查找并檢查公開的代理IP，換言之它會列出所有經測試可用的代理IP

下列是find子命令的常用選項:

選項	作用	可選值	示例
--types	指定代理的類型	HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25	--types HTTP HTTPS
--lvl	指定代理的匿名級別	Transparent,Anonymous,High	--lvl High
--strict,-s	嚴格保證代理的類型與匿名級別等于指定的值	只要加上就表示啟用嚴格模式	--strict
--countries COUNTRIES,-c COUNTRIES	指定代理IP的所屬國家	US,CN...	-c CN
--limit LIMIT, -l LIMIT	指定獲取的條數	正整數即可	-l 5
--outfile OUTFILE, -o OUTFILE	將找到的代理保存到文件中	文件路徑	--outfile ./proxies.txt
--format FORMAT, -f FORMAT	指定輸出的格式，默認值為default	default,json	-f json
--post	用post請求檢查IP的可用性，默認是用get方式	只要加上就表示啟用post請求檢查	--post
--show-stats	是否打印詳細統計信息	只要加上就表示啟用打印統計信息	--show-stats

比如查找10條HTTP代理

proxybroker find --types HTTP -l 10

你可以將選項的示例值加上，自己嘗試一下

grab子命令

grab子命令有點像find的簡易版，它只進行查找，并不檢查抓來IP的可用性

下列是grab子命令的所有選項:

選項	作用	可選值	示例
--countries COUNTRIES,-c COUNTRIES	指定代理IP的所屬國家	US,CN...	-c CN
--limit LIMIT, -l LIMIT	指定獲取的條數	正整數即可	-l 5
--outfile OUTFILE, -o OUTFILE	將找到的代理保存到文件中	文件路徑	--outfile ./proxies.txt
--format FORMAT, -f FORMAT	指定輸出的格式，默認值為default	default,json	-f json
--show-stats	是否打印詳細統計信息	只要加上就表示啟用打印統計信息	--show-stats

可以看到它有的選項，find子命令都有，所以它是find的閹割版

比如查找5條來自中國的代理，并將它保存至文件中

proxybroker grab -c CN -o ./proxies.txt -l 5

serve子命令

serve子命令用于搭建一個本地代理服務器，它可以分發你的請求至不同的IP代理中

下列是serve子命令的常用選項:

選項	作用	可選值	示例
--host HOST	指定服務器的地址，默認是127.0.0.1	你本機的IP	--host localhost
--port PORT	指定服務器的端口，默認是8888	你本機可用的端口	--port 5000
--max-tries SRV_MAX_TRIES	設置處理請求的最大重試次數	正整數	--max-tries 3
--min-req-proxy MIN_REQ_PROXY	設置每個IP處理請求的最小次數	正整數	--min-req-proxy 3
--http-allowed-codes HTTP_ALLOWED_CODES	設置允許代理返回的響應碼	響應的狀態碼	--http-allowed-codes 302
--max-error-rate MAX_ERROR_RATE	設置最大允許請求的異常率，例如0.5是50%	0~1	--max-error-rate 0.3
--max-resp-time SECONDS	設置響應的最大允許秒數，默認是8秒	秒數	--max-resp-time 20
--prefer-connect	如果可以的話，是否使用CONNECT方法	只要加上就表示使用	--prefer-connect
--backlog BACKLOG	設置連接隊列的最大值	正整數即可	--backlog 10
-	-	-	-
--types	指定代理的類型	HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25	--types HTTP HTTPS
--lvl	指定代理的匿名級別	Transparent,Anonymous,High	--lvl High
--strict,-s	嚴格保證代理的類型與匿名級別等于指定的值	只要加上就表示啟用嚴格模式	--strict
--countries COUNTRIES,-c COUNTRIES	指定代理IP的所屬國家	US,CN...	-c CN
--limit LIMIT, -l LIMIT	指定代理池的工作IP條數	正整數即可	-l 5

serve子命令搭建代理服務器，相當于把我們本機變成中間商再中間商

比如在地址為localhost，端口為5000，搭起高匿名代理服務器

proxybroker serve --host localhost --port 5000 --types HTTP --lvl High

然后先通過curl命令不使用代理訪問一下http://httpbin.org/get這個地址，查看一下該網站顯示我們的IP是多少

curl http://httpbin.org/get

再使用curl命令通過我們剛搭起的代理服務器訪問一下，看看網站顯示的IP是否有變化

curl --proxy http://localhost:5000 http://httpbin.org/get

在代碼中使用ProxyBroker

你可以通過proxybroker serve子命令搭起代理服務器，然后在發起請求時使用該代理，這種方法適用于幾乎所有的編程語言

requests庫使用代理

先serve搭起代理服務器

proxybroker serve --host localhost --port 5000 --types HTTP --lvl High

然后通過requests庫設置代理

import requests

proxies = {
  "http": "http://localhost:5000",
  "https": "http://localhost:5000"
}

res = requests.get('http://httpbin.org/get', proxies=proxies)

print(res.json())

效果如下

scrapy庫使用代理

還是先serve搭起代理服務器，代碼還是和上面一樣

在終端中，通過scrapy startproject新建一個爬蟲項目，然后進入該項目目錄里

scrapy startproject proxy_demo
cd proxy_demo

通過scrapy genspider新建一個爬蟲，名為proxy_spider_demo，域名為httpbin.org

scrapy genspider proxy_spider_demo httpbin.org

然后將下列代碼粘貼至剛剛新建的爬蟲中

import json
import scrapy
# from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware


class ProxySpiderDemoSpider(scrapy.Spider):
  name = 'proxy_spider_demo'
  allowed_domains = ['httpbin.org']
  # start_urls = ['http://httpbin.org/']

  def start_requests(self):
    meta = dict(proxy='http://localhost:5000')
    # 請求三次該網址，查看IP是否不同
    for _ in range(3):
      # 得加上dont_filter=True，否則第2、3個請求將被dupefilter過濾
      # 請求可以通過meta攜帶代理服務器地址，與HttpProxyMiddleware下載器中間件配合達到代理請求的目的
      yield scrapy.Request('http://httpbin.org/get', dont_filter=True, meta=meta, callback=self.parse)

  def parse(self, response):
    json_body = json.loads(response.text)
    print('當前請求的IP為：', json_body['origin'])

在項目根目錄處進入終端，通過scrapy crawl命令運行爬蟲，這里加上了--nolog選項是為了專注于print的輸出

scrapy crawl --nolog proxy_spider_demo

效果如下

python異步獲取代理IP

如果不希望通過serve子命令，直接在python代碼中使用代理IP，可以通過asyncio來異步獲取代理IP

直接上代碼

import asyncio
from proxybroker import Broker

async def view_proxy(proxies_queue):
  while True:
    proxy = await proxies_queue.get()
    
    if proxy is None:
      print('done...')
      break
      
    print(proxy)

# 異步隊列
proxies_queue = asyncio.Queue()

broker = Broker(proxies_queue)

tasks = asyncio.gather(
  # 使用grab子命令獲取3條IP
  broker.grab(limit=3),
  view_proxy(proxies_queue))

loop = asyncio.get_event_loop()
_ = loop.run_until_complete(tasks)