当前位置 博文首页 > python利用proxybroker构建爬虫免费IP代理池的实现

    python利用proxybroker构建爬虫免费IP代理池的实现

    作者:nbody1996 时间:2021-07-25 11:53

    前言

    写爬虫的小伙伴可能遇到过这种情况:

    正当悠闲地喝着咖啡,满意地看着屏幕上的那一行行如流水般被爬下来的数据时,突然一个Error弹出,提示抓不到数据了...

    然后你反复检查,确信自己代码莫得问题之后,发现居然连浏览器也无法正常访问网页了...

    难道是网站被我爬瘫痪了?

    厉害

    然后你用手机浏览所爬网站,惊奇地发现居然能访问!

    才原来我的IP被网站给封了,拒绝了我的访问

    尴尬

    这时只能用IP代理来应对禁IP反爬策略了,但是网上高速稳定的代理IP大多都收费,看了看皱皱的钱包后,一个大胆的想法冒出

    我要白嫖!

    啥是IP代理?假如你现在17岁未成年,理想一点的情况会是,你去商店买烟,老板告诉你未成年不能买烟,并拒绝了你的购买,这叫被服务器拒绝访问;

    但是你不服气啊,于是你找来你20岁的哥哥,叫他去商店老板那帮你买包烟,然后再给你,这就叫IP代理。

    ProxyBroker简介

    ProxyBroker是一个开源软件,它从各种不同的IP代理网站中抓来公开的代理IP,并实时地检查代理IP的可用性,以供使用。

    所以可以说ProxyBroker是一个集成了爬虫技术的开源软件。

    ProxyBroker安装

    你可以通过pip来安装ProxyBroker

    pip install proxybroker

    也可以直接从Github下载最新版本的ProxyBroker

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

    在终端使用ProxyBroker

    安装成功后,你可以在终端中使用命令proxybroker

    proxybroker_usage

    proxybroker主要有三个子命令

    find子命令

    find子命令用于查找并检查公开的代理IP,换言之它会列出所有经测试可用的代理IP

    下列是find子命令的常用选项:

    选项 作用 可选值 示例
    --types 指定代理的类型 HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25 --types HTTP HTTPS
    --lvl 指定代理的匿名级别 Transparent,Anonymous,High --lvl High
    --strict,-s 严格保证代理的类型与匿名级别等于指定的值 只要加上就表示启用严格模式 --strict
    --countries COUNTRIES,-c COUNTRIES 指定代理IP的所属国家 US,CN... -c CN
    --limit LIMIT, -l LIMIT 指定获取的条数 正整数即可 -l 5
    --outfile OUTFILE, -o OUTFILE 将找到的代理保存到文件中 文件路径 --outfile ./proxies.txt
    --format FORMAT, -f FORMAT 指定输出的格式,默认值为default default,json -f json
    --post 用post请求检查IP的可用性,默认是用get方式 只要加上就表示启用post请求检查 --post
    --show-stats 是否打印详细统计信息 只要加上就表示启用打印统计信息 --show-stats

    比如查找10条HTTP代理

    proxybroker find --types HTTP -l 10

    proxy_demo

    你可以将选项的示例值加上,自己尝试一下

    grab子命令

    grab子命令有点像find的简易版,它只进行查找,并不检查抓来IP的可用性

    下列是grab子命令的所有选项:

    选项 作用 可选值 示例
    --countries COUNTRIES,-c COUNTRIES 指定代理IP的所属国家 US,CN... -c CN
    --limit LIMIT, -l LIMIT 指定获取的条数 正整数即可 -l 5
    --outfile OUTFILE, -o OUTFILE 将找到的代理保存到文件中 文件路径 --outfile ./proxies.txt
    --format FORMAT, -f FORMAT 指定输出的格式,默认值为default default,json -f json
    --show-stats 是否打印详细统计信息 只要加上就表示启用打印统计信息 --show-stats

    可以看到它有的选项,find子命令都有,所以它是find的阉割版

    比如查找5条来自中国的代理,并将它保存至文件中

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

    proxy_demo2

    serve子命令

    serve子命令用于搭建一个本地代理服务器,它可以分发你的请求至不同的IP代理中

    下列是serve子命令的常用选项:

    选项 作用 可选值 示例
    --host HOST 指定服务器的地址,默认是127.0.0.1 你本机的IP --host localhost
    --port PORT 指定服务器的端口,默认是8888 你本机可用的端口 --port 5000
    --max-tries SRV_MAX_TRIES 设置处理请求的最大重试次数 正整数 --max-tries 3
    --min-req-proxy MIN_REQ_PROXY 设置每个IP处理请求的最小次数 正整数 --min-req-proxy 3
    --http-allowed-codes HTTP_ALLOWED_CODES 设置允许代理返回的响应码 响应的状态码 --http-allowed-codes 302
    --max-error-rate MAX_ERROR_RATE 设置最大允许请求的异常率,例如0.5是50% 0~1 --max-error-rate 0.3
    --max-resp-time SECONDS 设置响应的最大允许秒数,默认是8秒 秒数 --max-resp-time 20
    --prefer-connect 如果可以的话,是否使用CONNECT方法 只要加上就表示使用 --prefer-connect
    --backlog BACKLOG 设置连接队列的最大值 正整数即可 --backlog 10
    - - - -
    --types 指定代理的类型 HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25 --types HTTP HTTPS
    --lvl 指定代理的匿名级别 Transparent,Anonymous,High --lvl High
    --strict,-s 严格保证代理的类型与匿名级别等于指定的值 只要加上就表示启用严格模式 --strict
    --countries COUNTRIES,-c COUNTRIES 指定代理IP的所属国家 US,CN... -c CN
    --limit LIMIT, -l LIMIT 指定代理池的工作IP条数 正整数即可 -l 5

    serve子命令搭建代理服务器,相当于把我们本机变成中间商再中间商

    比如在地址为localhost,端口为5000,搭起高匿名代理服务器

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

    proxy_serve

    然后先通过curl命令不使用代理访问一下http://httpbin.org/get这个地址,查看一下该网站显示我们的IP是多少

    curl http://httpbin.org/get

    curl_without_proxy

    再使用curl命令通过我们刚搭起的代理服务器访问一下,看看网站显示的IP是否有变化

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

    curl_with_proxy

    在代码中使用ProxyBroker

    你可以通过proxybroker serve子命令搭起代理服务器,然后在发起请求时使用该代理,这种方法适用于几乎所有的编程语言

    requests库使用代理

    先serve搭起代理服务器

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

    然后通过requests库设置代理

    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

    proxy_requests_demo

    scrapy库使用代理

    还是先serve搭起代理服务器,代码还是和上面一样

    在终端中,通过scrapy startproject新建一个爬虫项目,然后进入该项目目录里

    scrapy startproject proxy_demo
    cd proxy_demo

    通过scrapy genspider新建一个爬虫,名为proxy_spider_demo,域名为httpbin.org

    scrapy genspider proxy_spider_demo httpbin.org

    然后将下列代码粘贴至刚刚新建的爬虫中

    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')
        # 请求三次该网址,查看IP是否不同
        for _ in range(3):
          # 得加上dont_filter=True,否则第2、3个请求将被dupefilter过滤
          # 请求可以通过meta携带代理服务器地址,与HttpProxyMiddleware下载器中间件配合达到代理请求的目的
          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('当前请求的IP为:', json_body['origin'])

    在项目根目录处进入终端,通过scrapy crawl命令运行爬虫,这里加上了--nolog选项是为了专注于print的输出

    scrapy crawl --nolog proxy_spider_demo

    效果如下

    proxy_scrapy_demo

    python异步获取代理IP

    如果不希望通过serve子命令,直接在python代码中使用代理IP,可以通过asyncio来异步获取代理IP

    直接上代码

    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)
    
    # 异步队列
    proxies_queue = asyncio.Queue()
    
    broker = Broker(proxies_queue)
    
    tasks = asyncio.gather(
      # 使用grab子命令获取3条IP
      broker.grab(limit=3),
      view_proxy(proxies_queue))
    
    loop = asyncio.get_event_loop()
    _ = loop.run_until_complete(tasks)

    proxy_asyncio_demo

    获取到代理IP后,你可以通过aiohttp异步HTTP库或requests库来使用它们

    总结

    你可以利用ProxyBroker库来白嫖免费的IP代理,但是白嫖来的始终是有缺点的,不然也不会有人专门去卖IP代理了

    白嫖来的IP有稳定性差、速度慢的缺点,所以土豪可以忽视本文...

    jsjbwy
    下一篇:没有了