python爬虫：多线程收集/验证IP从而搭建有效IP代理池

一、前言

在网络爬虫中，IP代理池的作用非常重要。网络爬虫需要大量的IP地址来发送请求，同时为了降低被封禁的风险，使用代理IP来发送请求也是一个不错的选择。但是由于代理IP的性质，代理IP的可用性非常低，需要经常更新和验证。因此，本文介绍如何使用Python实现一个多线程的IP代理池，以便于我们在爬虫中使用。

二、IP池的实现

我们可以从各大免费IP代理网站上获取代理IP。具体获取方法可以通过网页分析获取代理IP的API接口，然后使用Python的requests库发送请求获取代理IP的列表。获取的代理IP可以通过保存到文件中或者直接保存到数据库中，在使用时需要进行解析。

下面是一个从站大爷免费代理网站获取代理IP的代码：

import requests
from lxml import etree

# 获取代理IP的函数
def get_proxies():
    url = 'https://www.zdaye.com/free/'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'}
    response = requests.get(url, headers=headers)
    html = etree.HTML(response.text)
    trs = html.xpath('//table[@id="ip_list"]//tr')[1:]  # 去除表头
    proxies = []
    for tr in trs:
        ip = tr.xpath('.//td[2]/text()')[0]  # IP
        port = tr.xpath('.//td[3]/text()')[0]  # 端口
        proxies.append(f'http://{ip}:{port}')
    return proxies

代理IP的可用性很难保证，因此我们需要通过验证来筛选可用的代理IP。验证代理IP的方法可以通过发送一个请求来判断代理IP是否能够正常工作。如果代理IP无法正常工作，则需要将其从代理IP池中删除。下面是一个验证代理IP可用性的代码：

import requests

# 验证代理IP的可用性
def verify_proxies(proxy):
    url = 'http://httpbin.org/get'
    try:
        response = requests.get(url, proxies={'http': proxy, 'https': proxy}, timeout=5)
        if response.status_code == 200:
            return True
        else:
            return False
    except:
        return False

在IP池中，我们需要保存可用的代理IP。可以使用列表或者队列的方式来保存代理IP。当池中可用的代理IP数量低于一定阈值时，需要重新获取新的代理IP并验证，保证代理IP池中的可用代理数量不低于一定阈值。下面是一个简单的IP代理池的代码：

import threading
import time

class ProxyPool:
    def __init__(self, threshold=10):
        self.proxies = []  # 代理IP列表
        self.threshold = threshold  # 可用代理IP阈值
        self.lock = threading.Lock()  # 线程锁

    # 获取可用代理IP
    def get_proxy(self):
        while True:
            self.lock.acquire()  # 加锁
            try:
                if len(self.proxies)  0:
                    proxy = self.proxies.pop()  # 弹出代理IP
                    if verify_proxies(proxy):  # 验证代理IP是否可用
                        print(f'使用代理IP: {proxy}')
                        return proxy
            finally:
                self.lock.release()  # 解锁

    # 更新代理IP
    def update_proxy(self):
        new_proxies = get_proxies()
        for proxy in new_proxies:
            self.lock.acquire()  # 加锁
            try:
                if proxy not in self.proxies:
                    self.proxies.append(proxy)
            finally:
                self.lock.release()  # 解锁

# 测试
p = ProxyPool(5)  # 初始化代理IP池，可用代理IP的阈值为5
while True:
    p.get_proxy()
    time.sleep(1)

三、多线程实现

在实际的网络爬虫中，需要同时发送多个请求，这就需要使用多线程来实现并发。多线程可以极大地提高爬虫的效率，尤其是在获取代理IP时，可以同时获取多个代理IP，从而进一步提高获取代理IP的速度。

下面是一个多线程的代理IP池的代码：

import threading
import time

class ProxyPool:
    def __init__(self, threshold=10):
        self.proxies = []  # 代理IP列表
        self.threshold = threshold  # 可用代理IP阈值
        self.lock = threading.Lock()  # 线程锁

    # 获取可用代理IP
    def get_proxy(self):
        while True:
            self.lock.acquire()  # 加锁
            try:
                if len(self.proxies)  0:
                    proxy = self.proxies.pop()  # 弹出代理IP
                    if verify_proxies(proxy):  # 验证代理IP是否可用
                        print(f'使用代理IP: {proxy}')
                        return proxy
            finally:
                self.lock.release()  # 解锁

    # 更新代理IP
    def update_proxy(self):
        new_proxies = get_proxies()
        threads = []  # 线程列表
        for proxy in new_proxies:
            thread = threading.Thread(target=self.verify_proxy, args=(proxy,))  # 创建新的线程
            threads.append(thread)
            thread.start()  # 启动线程
        for thread in threads:
            thread.join()  # 等待线程结束

    # 验证代理IP的可用性
    def verify_proxy(self, proxy):
        if verify_proxies(proxy):
            self.lock.acquire()  # 加锁
            try:
                if proxy not in self.proxies:
                    self.proxies.append(proxy)
            finally:
                self.lock.release()  # 解锁

# 测试
p = ProxyPool(5)  # 初始化代理IP池，可用代理IP的阈值为5
while True:
    p.get_proxy()
    time.sleep(1)

在上面的代码中，我们在更新代理IP时，为每个代理IP创建了一个新的线程。这样可以让更新代理IP的操作并发处理，从而提高获取代理IP的效率。

四、代理IP的使用

在使用代理IP时，我们需要将代理IP配置在请求头中，从而让HTTP请求使用代理IP进行请求。下面是一个使用代理IP发送HTTP请求的代码：

import requests

p = ProxyPool(5)  # 初始化代理IP池，可用代理IP的阈值为5
while True:
    proxy = p.get_proxy()
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'}
    proxies = {'http': proxy, 'https': proxy}
    response = requests.get(url, headers=headers, proxies=proxies, timeout=5)
    print(response.text)
    time.sleep(1)

在上面的代码中，我们将获取的代理IP配置到requests库的proxies参数中，从而使用代理IP发送请求。

五、总结

在本文中，我们介绍了如何使用Python实现一个多线程的IP代理池，以便于我们在网络爬虫中使用代理IP。通过使用代理IP，我们可以增加发送请求的IP数量，从而提高爬虫的效率，同时降低被封禁的风险。但是由于代理IP的可用性较低，需要经常更新和验证。因此，需要定期获取新的代理IP，并验证其可用性。同时，在实际的网络爬虫中，需要同时发送多个请求，这就需要使用多线程来实现并发。

在使用代理IP时，我们需要将代理IP配置在HTTP请求头中，从而让HTTP请求使用代理IP进行请求。但是需要注意，代理IP并不是绝对可靠的，有可能代理IP的服务器在使用过程中会出现故障或者被封禁。因此，在网络爬虫中使用代理IP时，需要做好容错处理，当代理IP无法使用时，及时更换代理IP或者等待代理IP恢复使用。同时，还需要对代理IP的有效性进行定期检测和更新。

总之，通过使用一个多线程的IP代理池，可以大大提高网络爬虫的效率和稳定性，有效降低被封禁的风险，是网络爬虫中不可缺少的一个重要工具。