【Python爬虫实战】爬虫封你ip就不会了？ip代理池安排上

前言

在进行网络爬取时，使用代理是经常遇到的问题。由于某些网站的限制，我们可能会被封禁或者频繁访问时会遇到访问速度变慢等问题。因此，我们需要使用代理池来避免这些问题。本文将为大家介绍如何使用IP代理池进行爬虫，并带有代码和案例。

1. 什么是IP代理池

IP代理池是一种能够动态获取大量代理IP地址的服务，通过不断更新代理IP列表和检测可用性，避免爬虫访问被封禁。代理池通常由多个代理服务器组成，而这些代理服务器提供的IP地址是不断变化的。

2. 如何使用IP代理池进行爬虫

使用IP代理池进行爬虫有以下几个步骤：

2.1 获取代理IP

获取代理IP的方法有多种，比如购买第三方代理服务、自己搭建代理服务器、爬取免费代理网站等。其中，爬取免费代理网站是最为常见的方法，但是免费代理大多数不稳定，质量也参差不齐，所以购买第三方代理服务或者自己搭建代理服务器会更加可靠。

2.2 构建代理池

将获取到的代理IP存储在一个代理池中，通常可以使用List或Queue等数据结构存储，然后按照一定的时间间隔进行检测，将失效的IP进行移除或重新获取新的IP存入池中。

2.3 在爬虫中使用代理IP

在爬虫的请求中使用代理IP，可以使用requests库或者Scrapy框架中的代理中间件进行实现。以requests库为例，需要在请求头中添加代理IP，如下所示：

import requests
 
proxies = {
  'http': 'http://ip:port',
  'https': 'http://ip:port',
}
 
response = requests.get(url, proxies=proxies)

2.4 异常处理

在爬虫的过程中，由于代理IP的稳定性和可用性不同，可能会遇到一些错误或异常情况。比如请求超时、代理IP失效、网络波动等。这时我们需要进行异常处理，可以设置重试请求、更换代理IP等方式来保证程序的正常运行。

3. 代码实现

以下是一个简单的IP代理池实现代码：

import requests
import threading
import time
from queue import Queue
 
# 获取代理IP
def get_proxies():
    # 这里使用免费代理网站进行获取，实际使用中需要替换成其他方式获取
    url ="https://www.zdaye.com/"
    response = requests.get(url).json()
    return [f"{i['protocol']}://{i['ip']}:{i['port']}" for i in response['data']['data_list']]
 
# 测试代理IP是否可用
def test_proxy(proxy, q):
    try:
        proxies = {
          'http': proxy,
          'https': proxy
        }
        response = requests.get('http://httpbin.org/ip', proxies=proxies, timeout=5)
        if response.status_code == 200:
            q.put(proxy)
            print(f"{proxy}可用")
    except:
        print(f"{proxy}不可用")
 
# 构建代理池
def build_proxies_pool():
    proxies_list = get_proxies()
    pool = Queue()
    threads = []
    # 开启多个线程对代理IP进行测试
    for proxy in proxies_list:
        t = threading.Thread(target=test_proxy, args=(proxy, pool))
        threads.append(t)
        t.start()
    for t in threads:
        t.join()
    return pool
 
# 在爬虫中使用代理IP
def spider_request(url, proxies):
    try:
        response = requests.get(url, proxies={'http': proxies, 'https': proxies}, timeout=5)
        if response.status_code == 200:
            print(response.text)
    except:
        print(f"{proxies}请求失败")
 
if __name__ == '__main__':
    while True:
        pool = build_proxies_pool()
        if not pool.empty():
            proxies = pool.get()
            spider_request('http://httpbin.org/ip', proxies)
        time.sleep(5)

4. 案例分析

以爬取知乎用户信息为例，演示IP代理池的使用。

import requests
import random
import time
 
# 构造请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
 
# 获取代理IP
def get_proxies():
    # 这里使用免费代理网站进行获取，实际使用中需要替换成其他方式获取
    url ="https://www.zdaye.com/"
    response = requests.get(url).json()
    return [f"{i['protocol']}://{i['ip']}:{i['port']}" for i in response['data']['data_list']]
 
# 构造代理池
proxies_pool = get_proxies()
 
# 爬虫主体程序
def get_user_info(user_url):
    # 从代理池中随机选择一个代理IP
    proxies = random.choice(proxies_pool)
    try:
        response = requests.get(user_url, headers=headers, proxies={'http': proxies, 'https': proxies})
        if response.status_code == 200:
            print(response.text)
    except:
        print(f"{proxies}请求失败")
 
if __name__ == '__main__':
    user_list = ['https://www.zhihu.com/people/xie-ke-bai-11-86-24-2/followers',
                 'https://www.zhihu.com/people/gong-xin-10-61-53-51/followers',
                 'https://www.zhihu.com/people/y-xin-xin/followers']
    for user_url in user_list:
        get_user_info(user_url)
        time.sleep(5)

以上是一个简单的知乎用户信息爬虫程序，其中使用了IP代理池，避免了访问速度受限和访问被封禁的问题。

5. 总结

本文介绍了如何使用IP代理池避免被封禁和访问受限的问题，通过获取代理IP、构建代理池、在爬虫中使用代理IP以及异常处理等步骤进行实现。同时，结合了一个简单的案例进行演示，希望对大家有所帮助。