Python搭建自己[IP代理池]

IP代理是什么：

ip就是访问网页数据服务器位置信息，每一个主机或者网络都有一个自己IP信息

为什么要使用代理ip：

因为在向互联网发送请求中，网页端会识别客户端是真实用户还是爬虫程序，在今天以互联网为主导的世界中，数据一种资源，谁能得到更多有效的数据，谁就能在今天互联网世界斗争中获得先机，所以网页是不愿意把数据作为开源分享给其他互联网运营公司的，它会创造出许许多多的反制措施来避免自己的数据被其他竞争对手（或利益相关的其他服务商），但又不得不为了创造更高的经济价值，来以非常有限的隧道中让正常真实用户访问它的网页，所以IP作为访问者的唯一标识，自然而然成为互联网公司鉴别真实非爬虫用户的一种手段。

如果你设置的程序访问时间过快（行为异常）超过了正常人访问的时间（行为），被访问的网页就会判定你是一个爬虫程序，对你的IP进行封禁（一般为5-15分钟，不会超过12小时）。

所以作为爬虫工作者为了获取互联网中的数据，通过以更换ip的方式来再一次访问该网页。

因此由于市场需求，网络上出现许多以”为爬虫工作者提供ip地址“的互联网公司。

这类互联网公司为爬虫职业学习者，提供了一些免费IP信息以供学习，在真实项目获取免费IP信息的方式是不被建议的，作者期望你能通过付费的方式来获取更多高质量的IP资源。

作者作为python爬虫初学者赖给大家讲述一下，如何搭建自己IP代理池，IP代理池听名闻义，其实就是装载了许许多多的高质量IP资源，以供学习者和工作人员及时的更换IP避免对项目产生不可挽回的损失。

作为爬虫学习者，我们应该较其他行业人员应具有爬虫技术，通过爬虫来获取更多IP数据。

对IP代理提供商发起访问请求：（本次IP资源的提供商为：”云代理“）

import time
import requests
import parsel
#新建一个列表用来存储完整ip数据
proxies_list = []
for page in range(1,8):print(f"===========正在爬取第{page}====================")time.sleep(1)url = 'http://www.ip3366.net/free/?stype=1&page={page_turn}'.format(page_turn=page) #服务器获取数据
#浏览器的身份标识headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'}response = requests.get(url=url,headers=headers)#指定一个编码 = 获取一个编码response.encoding = response.apparent_encodinghtml_data = response.text

将web服务器返回页面数据进行解析：本次采用xpath解析

#3.数据解析 使用xpath 方法，xpath专门用于解析html页面selector = parsel.Selector(html_data) #转换数据类型# print(selector)trs = selector.xpath('//table/tbody/tr')# print(trs)#将拼接好的完整地址保存在一个名为proxies_list的列表中#遍历每一个tr标签for tr in trs:ip = tr.xpath('./td[1]/text()').get()adr = tr.xpath('./td[2]/text()').get()# print(ip,adr)

将获取的数据拼接起来：因为完整ip地址需要加上 http：// 或者 https：//

proxies_dict = {#字符串的拼接"http":"http://"+ip+":"+adr,"https":"https://"+ip+":"+adr,}

将获取的完整的IP信息存储起来

proxies_list.append(proxies_dict)

第二大部分：将获取到IP数据检测一下是否可用，避免在爬虫项目中项目浪费太多的时间，来检测ip的可用性。

免费IP几乎百分之九十不可用，所以作为爬虫工作者建议你购买付费数据

定义一个函数用来检测数据是否可用：

def check_ip(proxies_list):""" 代理检测"""#将高质量可用代理存储起来can_user= []for proxie in proxies_list:#发送一个请求以便得到该代理的状态码try:response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2)if response.status_code == 200: #如果该IP访问百度后，返回的状态码为200时，说明该地阿里可以使用#将该代理保存起来can_user.append(proxie)except:print('当前代理:',proxie,'请求时间过长不可用')#如果代理可用则执行else中的语句else:print('当前代理:', proxie, '可以使用')return can_user

这里我要说的重点是：

response.status_code == 200

通过向特定的网页发起get请求，以返回状态码来检测该IP数据是否正常可用，如果在有限的时间中它返回的状态码为200说明该IP数据是正常可用的。

通过方法的调用来让该检测代码段运行起来：

can_user = check_ip(proxies_list)
print('可以使用的代理:',can_user)
print('可以使用的代理数量为:',len(can_user))

这里我要说的是：通过check_ip()方法调用并且向该方法传递一个参数”proxies_list“，该参数是我们定义的用来存储在ip提供商那里爬取全部IP数据，通过调用该方法，并且将未进行识别的ip数据传入。让检测程序代码段运行起来，获取可供使用IP数据

文章的最后，我要说的是，希望大家能感激每一位资源的提供者，只有消费才会产生价值，带动市场，我们应该尊重劳动者的辛苦劳作。

完整代码段：

#建立步骤：
'''
爬取提供免费代理的网站数据（ip地址 端口号，地址信息）1.寻找数据地址2.发送请求3.需要的数据（页面解析保存下来），或者不需要的数据（剔除）4.需要的数据保存（IP地址，端口，拼接https://）'''
import time
import requests
# 安装parsel时报错，经过排查应该是镜像源的问题（网络上说是尽量使用国内镜像源，国外网速不行，我使用的就是阿里云的镜像）应该是阿里云的镜像不行，我换了一个豆瓣的镜像源
#具体使用办法在安装包的后面添加上，通过那个镜像源：pip install parsel -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com   把”库包名“换成你要安装的包的名称即可；
import parsel
#使用代理：
#定义一个函数：
def check_ip(proxies_list):""" 代理检测"""#将高质量可用代理存储起来can_user= []for proxie in proxies_list:#发送一个请求以便得到该代理的状态码try:response = proxie.get(url='https://www.baidu.com',proxies=proxie,timeout=2)if response.status_code == 200: #如果该IP访问百度后，返回的状态码为200时，说明该地阿里可以使用#将该代理保存起来can_user.append(proxie)except:print('当前代理:',proxie,'请求时间过长不可用')#如果代理可用则执行else中的语句else:print('当前代理:', proxie, '可以使用')return can_user#1.寻找数据的地址
proxies_list = []
for page in range(1,8):print(f"===========正在爬取第{page}====================")time.sleep(1)url = 'http://www.ip3366.net/free/?stype=1&page={page_turn}'.format(page_turn=page) #服务器获取数据
#浏览器的身份标识headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'}response = requests.get(url=url,headers=headers)#指定一个编码 = 获取一个编码response.encoding = response.apparent_encodinghtml_data = response.text#3.数据解析 使用xpath 方法，xpath专门用于解析html页面selector = parsel.Selector(html_data) #转换数据类型# print(selector)trs = selector.xpath('//table/tbody/tr')# print(trs)#将拼接好的完整地址保存在一个名为proxies_list的列表中#遍历每一个tr标签for tr in trs:ip = tr.xpath('./td[1]/text()').get()adr = tr.xpath('./td[2]/text()').get()# print(ip,adr)proxies_dict = {#字符串的拼接"http":"http://"+ip+":"+adr,"https":"https://"+ip+":"+adr,}proxies_list.append(proxies_dict)print('获取成功',proxies_dict)#break 次break是为了检测第一页数据返回是否正常，其实我获取的所有免费代理
print(proxies_list)
print('获取的代理数据为：',len(proxies_list))# proxies_list.append(proxies_dict)
print('==========================正在检测代理======================')
can_user = check_ip(proxies_list)
print('可以使用的代理:',can_user)
print('可以使用的代理数量为:',len(can_user))