python爬虫，如何在代理的IP被封后立刻换下一个IP继续任务？

前言

在实际的爬虫应用中，爬虫程序经常会通过代理服务器来进行网络访问，以避免访问过于频繁而受到网站服务器的限制。但是，代理服务器的IP地址也可能被目标网站限制，导致无法正常访问。这时候，我们需要在代理IP被封后立刻换下一个IP继续任务，以保证爬虫的正常运行。

本文将介绍在Python中如何实现代理IP的动态切换，并给出相关的代码案例。在讲解具体实现方法之前，我们先了解一下代理服务器的基本原理。

一、 代理服务器的工作原理

代理服务器是一种在客户端与服务器之间进行转发的服务器。当客户端向服务器发起网络请求时，代理服务器会先接收这个请求，然后再将请求转发给目标服务器，最后将目标服务器返回的响应结果再转发给客户端。代理服务器在这个过程中扮演了中间人的角色，可以对客户端和服务器之间的通信进行拦截和修改。

代理服务器对爬虫程序的作用主要体现在以下两个方面：

1. 隐藏客户端的真实IP地址，保护客户端的隐私和安全；
2. 分散客户端的网络访问，降低被目标服务器封禁的风险。

代理服务器有多种工作模式，其中最常用的模式是HTTP代理。HTTP代理是基于HTTP协议的代理模式，客户端的HTTP请求会先被发送到代理服务器上，然后再由代理服务器转发给目标服务器，例如以下代码：

import requestsproxies = {'http': 'http://127.0.0.1:8080',  # HTTP代理服务器地址和端口'https': 'http://127.0.0.1:8080'  # HTTPS代理服务器地址和端口
}response = requests.get("http://www.example.com", proxies=proxies)

在这个例子中，我们使用了requests库来发送HTTP请求，其中proxies参数指定了HTTP代理服务器的地址和端口。需要注意的是，这里使用的代理服务器是本机上的一个HTTP代理服务器，如果要使用其他代理服务器，需要替换IP地址和端口号。

为了实现代理IP的动态切换，我们需要了解如何使用Python来自动获取可用的代理IP列表，并在IP被封后自动切换到下一个可用的IP。接下来，我们将详细介绍这个过程。

二、获取可用的代理IP列表

获取可用的代理IP列表有多种方法，其中一种常用的方法是从代理IP网站上爬取代理IP信息。代理IP网站上通常会提供免费的代理IP列表，我们只需要对其进行爬取和验证即可得到可用的代理IP列表。

以下是一个实现自动获取代理IP列表的示例代码：

import requests
from bs4 import BeautifulSoup
import timedef get_proxy_list():# 获取代理IP列表的URLurl = "http://www.example.com/proxy_list.html"# 发送请求获取页面内容response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')# 解析HTML页面，获取代理IP列表proxy_list = []for tr in soup.find_all('tr'):tds = tr.find_all('td')if len(tds) == 2:ip = tds[0].get_text()port = tds[1].get_text()proxy = '{}:{}'.format(ip, port)proxy_list.append(proxy)return proxy_listdef test_proxy(proxy):# 测试代理IP的可用性try:proxies = {'http': 'http://{}'.format(proxy),'https': 'https://{}'.format(proxy)}response = requests.get('http://www.baidu.com', proxies=proxies, timeout=5)if response.status_code == 200:return Trueexcept:return Falsedef get_available_proxies(proxy_list):# 获取可用的代理IP列表available_proxies = []for proxy in proxy_list:if test_proxy(proxy):available_proxies.append(proxy)return available_proxiesif __name__ == '__main__':proxy_list = get_proxy_list()available_proxies = get_available_proxies(proxy_list)print('Available proxies: {}'.format(available_proxies))

在这个示例代码中，我们首先定义了一个get_proxy_list函数，用于从网站上获取代理IP列表。该函数通过requests库发送HTTP请求，然后使用BeautifulSoup库解析HTML页面，获取代理IP列表。

接下来，我们定义了一个test_proxy函数，用于测试代理IP的可用性。该函数使用requests库发送HTTP请求，如果请求成功返回了200状态码，则认为该代理IP可用。

最后，我们定义了一个get_available_proxies函数，用于获取可用的代理IP列表。该函数遍历原始代理IP列表，依次测试每个代理IP的可用性，将可用的代理IP添加到新的列表中。

注意，在测试代理IP的可用性时，我们需要设置一个较短的超时时间，以避免因为等待时间过长而浪费时间。此外，由于测试代理IP的过程很可能会失败，因此我们还需要添加异常处理逻辑，确保程序不会因为一个代理IP的失效而停止运行。

三、实现代理IP的动态切换

在获取可用的代理IP列表后，我们需要实现代理IP的动态切换。具体思路是，在向目标服务器发送HTTP请求前，先从代理IP列表中选取一个可用的代理IP，如果该代理IP不能正常工作，则切换到下一个可用的代理IP，直到找到能正常工作的代理IP为止。

以下是一个实现代理IP的动态切换的示例代码：

import requests
from bs4 import BeautifulSoup
import random
import time# 全局变量，代理IP列表
PROXY_LIST = []def get_proxy_list():# 获取代理IP列表的URLurl = "http://www.example.com/proxy_list.html"# 发送请求获取页面内容response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')# 解析HTML页面，获取代理IP列表proxy_list = []for tr in soup.find_all('tr'):tds = tr.find_all('td')if len(tds) == 2:ip = tds[0].get_text()port = tds[1].get_text()proxy = '{}:{}'.format(ip, port)proxy_list.append(proxy)return proxy_listdef test_proxy(proxy):# 测试代理IP的可用性try:proxies = {'http': 'http://{}'.format(proxy),'https': 'https://{}'.format(proxy)}response = requests.get('http://www.baidu.com', proxies=proxies, timeout=5)if response.status_code == 200:return Trueexcept:return Falsedef get_available_proxies(proxy_list):# 获取可用的代理IP列表available_proxies = []for proxy in proxy_list:if test_proxy(proxy):available_proxies.append(proxy)return available_proxiesdef get_random_proxy():# 获取随机的代理IPglobal PROXY_LISTif not PROXY_LIST:# 第一次使用时，先获取可用的代理IP列表proxy_list = get_proxy_list()PROXY_LIST = get_available_proxies(proxy_list)if not PROXY_LIST:# 如果没有可用的代理IP，等待一段时间后重试time.sleep(60)proxy_list = get_proxy_list()PROXY_LIST = get_available_proxies(proxy_list)return random.choice(PROXY_LIST)def make_request(url):# 发送HTTP请求while True:# 从代理IP列表中随机选择一个IPproxy =get_random_proxy()proxies = {'http': 'http://{}'.format(proxy),'https': 'https://{}'.format(proxy)}try:# 发送HTTP请求response = requests.get(url, proxies=proxies, timeout=5)if response.status_code == 200:return responseexcept:# 如果代理IP失效，从列表中移除该IPPROXY_LIST.remove(proxy)if __name__ == '__main__':url = 'http://www.example.com'response = make_request(url)print(response.text)

在这个示例代码中，我们定义了一个全局变量PROXY_LIST，用于保存可用的代理IP列表。首先，我们定义了一个get_random_proxy函数，用于从代理IP列表中随机选择一个代理IP，并在需要时动态更新可用的代理IP列表。

接下来，我们定义了一个make_request函数，用于发送HTTP请求。该函数在调用get_random_proxy函数获取代理IP后，使用requests库发送HTTP请求，并在请求成功后返回响应结果。如果请求失败，则说明代理IP失效，需要从可用的代理IP列表中移除该代理IP，并重新选择一个代理IP进行请求。

最后，在程序的主函数中，我们定义了一个URL地址，并调用make_request函数发送HTTP请求。如果请求成功，则输出响应内容。

至此，我们已经完成了代理IP的动态切换功能的实现。接下来，我们对上述代码进行修改，加入一些必要的异常处理逻辑和日志记录功能。

四、异常处理和日志记录

在实际的爬虫应用中，我们经常会遇到各种意外情况，例如代理IP失效、网络连接超时、目标网站返回错误响应等。为了保证程序的稳定性和可靠性，我们需要对这些情况进行合理的异常处理和日志记录。

以下是一个加入异常处理和日志记录的示例代码：

import requests
from requests.exceptions import ProxyError, Timeout, ConnectionError
from bs4 import BeautifulSoup
import random
import time
import logging# 全局变量，代理IP列表
PROXY_LIST = []def init_logging():# 初始化日志记录器logger = logging.getLogger()logger.setLevel(logging.INFO)formatter = logging.Formatter('%(asctime)s %(levelname)s %(message)s')handler = logging.FileHandler('proxy.log')handler.setFormatter(formatter)logger.addHandler(handler)return loggerdef get_proxy_list():# 获取代理IP列表的URLurl = "http://www.example.com/proxy_list.html"# 发送请求获取页面内容response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')# 解析HTML页面，获取代理IP列表proxy_list = []for tr in soup.find_all('tr'):tds = tr.find_all('td')if len(tds) == 2:ip = tds[0].get_text()port = tds[1].get_text()proxy = '{}:{}'.format(ip, port)proxy_list.append(proxy)return proxy_listdef test_proxy(proxy):# 测试代理IP的可用性try:proxies = {'http': 'http://{}'.format(proxy),'https': 'https://{}'.format(proxy)}response = requests.get('http://www.baidu.com', proxies=proxies, timeout=5)if response.status_code == 200:return Trueexcept:return Falsedef get_available_proxies(proxy_list):# 获取可用的代理IP列表available_proxies = []for proxy in proxy_list:if test_proxy(proxy):available_proxies.append(proxy)return available_proxiesdef get_random_proxy():# 获取随机的代理IPglobal PROXY_LISTif not PROXY_LIST:# 第一次使用时，先获取可用的代理IP列表proxy_list = get_proxy_list()PROXY_LIST = get_available_proxies(proxy_list)if not PROXY_LIST:# 如果没有可用的代理IP，等待一段时间后重试time.sleep(60)proxy_list = get_proxy_list()PROXY_LIST = get_available_proxies(proxy_list)return random.choice(PROXY_LIST)def make_request(url):# 发送HTTP请求while True:# 从代理IP列表中随机选择一个IPproxy = get_random_proxy()proxies = {'http': 'http://{}'.format(proxy),'https': 'https://{}'.format(proxy)}try:# 发送HTTP请求response = requests.get(url, proxies=proxies, timeout=5)if response.status_code == 200:return responseexcept ProxyError as e:# 代理服务器错误，从列表中移除该IPPROXY_LIST.remove(proxy)logging.warning('ProxyError: {}'.format(str(e)))except Timeout as e:# 超时错误，重试logging.warning('Timeout: {}'.format(str(e)))except ConnectionError as e:# 连接错误，重试logging.warning('ConnectionError: {}'.format(str(e)))except Exception as e:# 其他未知错误，重试logging.warning('Exception: {}'.format(str(e)))if __name__ == '__main__':init_logging()url = 'http://www.example.com'response = make_request(url)print(response.text)

在这个示例代码中，我们首先引入了requests.exceptions模块和logging模块。requests.exceptions模块提供了一些常见的网络请求异常类型，我们可以通过捕获这些异常类型来实现异常处理。logging模块则提供了一个日志记录器，我们可以使用它来记录程序运行时的异常和错误信息。

接下来，在程序的主函数中，我们调用了一个init_logging函数，用于初始化日志记录器。该函数设置了日志记录器的级别、格式和输出文件，并返回一个记录器实例。

最后，在make_request函数中，我们通过try-except语句对网络请求中可能出现的异常进行了捕获和处理。例如，如果代理服务器返回了错误码，我们将该代理IP从列表中移除，并记录警告日志。如果发生超时错误、连接错误或其他未知错误，我们直接记录警告日志，并在下一次循环中重试。

至此，我们已经完成了对代理IP的动态切换功能的实现，并加入了必要的异常处理和日志记录功能。

总结

为了实现在代理IP被封后立即切换到下一个IP，我们可以在爬虫程序中加入一个代理IP池，定时从可用的代理IP列表中随机选择一个IP，并发送HTTP请求。如果请求失败，我们可以将失败的代理IP从列表中移除，并在下一次选择IP时避开此IP。同时，我们需要加入必要的异常处理和日志记录功能，以保证程序的稳定性和可靠性。这样，即使某个代理IP被封，我们也能够及时切换到下一个可用的IP，继续执行爬虫任务。