python爬虫:多线程收集/验证IP从而搭建有效IP代理池

2023年 10月 9日 88.9k 0

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

  • 收集代理IP
  • 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
    
  • 验证代理IP可用性
  • 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
    
  • 搭建IP代理池
  • 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。

    相关文章

    JavaScript2024新功能:Object.groupBy、正则表达式v标志
    PHP trim 函数对多字节字符的使用和限制
    新函数 json_validate() 、randomizer 类扩展…20 个PHP 8.3 新特性全面解析
    使用HTMX为WordPress增效:如何在不使用复杂框架的情况下增强平台功能
    为React 19做准备:WordPress 6.6用户指南
    如何删除WordPress中的所有评论

    发布评论