Pandas一键爬取解析代理IP与代理IP池的维护

Biegral 2022/6/3 20:00:49 29922

大家好，我是小小明，今天我们计划搭建一个代理Ip池。当然相对爬取免费的代理IP自己搭建代理IP池，本人更推荐大家直接购买付费的代理IP，相对而言稳定而且省心好用。

那么对于穷人而言，为了训练一下自己的技术并省下几块钱，咱们还是决定自己搭建一个玩玩。

要搭建一个代理ip池，我的思路：

  1. 爬虫定期爬取代理IP，验证代理iP有效性，有效则存入Redis数据库
  2. 一个线程或进程定期检查代理ip池的有效性，无效则从中删除

代理IP的爬取与解析

下面，首先去选择几个免费代理ip的网址去爬一下，这里我选择了快代理。

快代理提供了高匿代理和普通代理两个页面供爬取，网址是：

image-20210703213148816

爬取高匿测试一下：

import requests
import pandas as pd

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}

i = 1
url = f'https://www.kuaidaili.com/free/inha/{i}/'
r = requests.get(url, headers=headers)
r.encoding = 'u8'
ip_df, = pd.read_html(r.text)
ip_df

image-20210703213523080

代理IP爬了，但是是否真的能用呢？

代理IP的校验

我们需要验证一下，有个不错的测试网站是httpbin.org，我们可以通过它来读取自己的ip地址：

r = requests.get(f"http://httpbin.org/ip")
r.json()

结果大致形式：

{'origin': '116.xx.xx.xxx'}

然后以如下形式访问代理ip：

r = requests.get(f"http://httpbin.org/ip",
                 proxies={'http': "175.42.158.226:9999"})
r.json()

若抛出异常：

image-20210703220018359

说明代理失效。

在我们的机器有公网IP时，我们也可以搭建自己的服务器用于校验代理IP有效性，flask代码：

from flask import *

app = Flask(__name__)


@app.route('/')
def index():
    return request.remote_addr


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=8088)

基于此我们可以写一个校验代理IP的方法：

def proxie_ip_validity_check(proxie_ip, proxie_type='http', timeout=1):
    try:
        r = requests.get(f"{proxie_type}://httpbin.org/ip", headers=headers,
                         proxies={proxie_type: proxie_ip}, timeout=timeout)
        if r.status_code == 200:
            return True
        return False
    except Exception as e:
        return False

经过我个人测试，高匿代理似乎没有一个是可以用的，所以这次我们只爬取普通代理ip。

批量爬取普通代理ip

设置超时时间为2秒，取7页数据：

import requests
import pandas as pd

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}

http_ip_pool = []
https_ip_pool = []
for page in range(1, 8):
    print("当前爬取页面数：", page)
    url = f'https://www.kuaidaili.com/free/intr/{page}'
    r = requests.get(url, headers=headers)
    r.encoding = 'u8'
    ip_df, = pd.read_html(r.text)
    for ip, port, proxie_type in ip_df[["IP", "PORT", "类型"]].values:
        pool = http_ip_pool if proxie_type.lower() == 'http' else https_ip_pool
        proxie_ip = f"{ip}:{port}"
        if proxie_ip_validity_check(proxie_ip, proxie_type.lower(), 2):
            pool.append(proxie_ip)
len(http_ip_pool), len(https_ip_pool)

经测试爬到26个有效的代理ip，全部都是http类型：

image-20210703222103037

写入到Redis服务器

为了方便其他爬虫程序使用，我们将爬到的代理IP写入到Redis数据库中。

首先需要安装Redis，下载地址：https://github.com/MicrosoftArchive/redis/releases

我的是Windows平台选择了：https://github.com/microsoftarchive/redis/releases/download/win-3.0.504/Redis-x64-3.0.504.zip

解压后直接双击redis-server.exe即可启动Redis服务器：

image-20210625120410449

安装让Python操作redis的库：

pip install redis

基本使用：

import redis

r = redis.Redis(host='192.168.3.31', port=6379, db=0)
r.set('name', 'zhangsan')  # 添加
print(r.get('name'))

b'zhangsan'

考虑将代理IP存入Redis的set集合中，因为可以自动去重，测试一下：

r.sadd("proxie_ip", "ip1", "ip2")
r.sadd("proxie_ip", "ip2", "ip3")
r.smembers("proxie_ip")

{b'ip1', b'ip2', b'ip3'}

于是我们可以通过以下命令一次性存入Redis中：

if len(http_ip_pool)>0:
    r.sadd("proxie_ip_http", *http_ip_pool)
if len(https_ip_pool)>0:
    r.sadd("proxie_ip_https", *https_ip_pool)

存入Redis数据库后，Redis就已经相当于一个代理IP池，下面我们另外启动一个尝试，常识使用这些代理IP：

从代理Ip池中获取代理IP并使用

读取代理IP：

import redis

with redis.Redis(host='192.168.3.31', port=6379, db=0) as r:
    http_ip_bytes = r.smembers("proxie_ip_http")
    http_ip_pool = list(map(bytes.decode, http_ip_bytes))
http_ip_pool

['139.9.25.69:3128',
 '119.3.235.101:3128',
 '122.51.207.244:8888',
 '106.58.191.24:8888',
 '222.74.202.229:9999',
 '47.111.71.29:8081',
 '222.74.202.229:80',
 '222.74.202.244:80',
 '106.58.191.218:8888',
 '222.74.202.229:8080']

然后可以拿来模拟爬百度：

import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}

for ip in http_ip_pool:
    try:
        r = requests.get(f"http://www.baidu.com/",
                         headers=headers, proxies={'http': ip}, timeout=1)
        print(r.status_code)
    except Exception as e:
        print(e)

HTTPConnectionPool(host='139.9.25.69', port=3128): Max retries exceeded with url: http://www.baidu.com/ (Caused by ConnectTimeoutError(<urllib3.connection.HTTPConnection object at 0x0000028D6A993248>, 'Connection to 139.9.25.69 timed out. (connect timeout=1)'))
200
200
HTTPConnectionPool(host='106.58.191.24', port=8888): Max retries exceeded with url: http://www.baidu.com/ (Caused by ConnectTimeoutError(<urllib3.connection.HTTPConnection object at 0x0000028D6B59C2C8>, 'Connection to 106.58.191.24 timed out. (connect timeout=1)'))
200
HTTPConnectionPool(host='47.111.71.29', port=8081): Max retries exceeded with url: http://www.baidu.com/ (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))
200
200
HTTPConnectionPool(host='106.58.191.218', port=8888): Max retries exceeded with url: http://www.baidu.com/ (Caused by ConnectTimeoutError(<urllib3.connection.HTTPConnection object at 0x0000028D6A9C2F88>, 'Connection to 106.58.191.218 timed out. (connect timeout=1)'))
200

可以看到只有一半的代理IP能在指定时间内成功访问百度，说明免费的代理IP就是不如收费的稳定。

定期爬取并清除失效的代理IP

只要再完成这部分，我们的代理IP池就能够初见雏形，冲！

最终完成代码：

import requests
import pandas as pd
import redis
from threading import Timer
import time

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}


def proxie_ip_validity_check(proxie_ip, proxie_type='http', timeout=2):
    try:
        r = requests.get(f"{proxie_type}://httpbin.org/ip",
                         proxies={proxie_type: proxie_ip}, timeout=timeout)
        if r.status_code == 200:
            return True
        return False
    except:
        return False


redis_conn = redis.Redis(host='192.168.3.31', port=6379)


def crawl_proxy_ip2redis():
    for page in range(1, 20):
        print("当前爬取页面：", page)
        url = f'https://www.kuaidaili.com/free/intr/{page}'
        r = requests.get(url, headers=headers)
        r.encoding = 'u8'
        ip_df, = pd.read_html(r.text)
        for ip, port, proxie_type in ip_df[["IP", "PORT", "类型"]].values:
            proxie_ip = f"{ip}:{port}"
            proxie_type = proxie_type.lower()
            if proxie_ip_validity_check(proxie_ip, proxie_type, 2):
                redis_conn.sadd(f"proxie_ip_{proxie_type}", proxie_ip)


def get_proxy_ip_pool(proxie_type='http'):
    http_ip_bytes = redis_conn.smembers(f"proxie_ip_{proxie_type}")
    http_ip_pool = list(map(bytes.decode, http_ip_bytes))
    return http_ip_pool


def clear_invalid_proxie_ip():
    print("开始清空失效代理ip:")
    for proxie_type in ['http', 'https']:
        for ip in get_proxy_ip_pool(proxie_type):
            if not proxie_ip_validity_check(ip, proxie_type, 2):
                print(proxie_type, ip, "失效")
                redis_conn.srem(f"proxie_ip_{proxie_type}", ip)


crawl_proxy_ip2redis()
while True:
    # 5分钟后清空一次失效的代理ip
    Timer(5 * 60, clear_invalid_proxie_ip, ()).start()
    # 10分钟后下载一次代理ip
    Timer(10 * 60, crawl_proxy_ip2redis, ()).start()
    # 每隔10分钟一个周期
    time.sleep(10 * 60)

目前测试，这个Redis代理IP池还算好使，作为一个雏形勉强能用。

可以通过Redis图形化工具查看代理IP池的存储情况：

image-20210704000800695

我使用的工具叫Redis Desktop Manager，可以百度下载。

目前我个人还算满意。

总结

通过本文讲解了：

  1. pandas超简代码带请求头解析表格
  2. 查看访问IP的方法
  3. 搭建简易检验代理Ip的网站
  4. Redis数据库的基本操作
  5. 代理ip在request库中的使用方法
  6. Timer定时器的使用
  7. Redis 图形化工具的使用介绍

我是小小明，希望你有所收获。

本文转载:CSDN博客

阅读排行

分类

归档