如何用Python创建代理IP池

对于爬虫来说，当你的访问频率达到了目标网站的预警值时，就可能触发目标网站的反爬机制。而封禁访问者ip就是很常见的一个反爬机制。

从西刺代理IP网站爬取代理IP
import urllib.request
import urllib.parse
import time
from multiprocessing import Pool#多进程
import random
from lXML import etree #xpath提取
import datetime

#功能：随机获取HTTP_User_Agent
def GetUserAgent():
user_agents=[
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (Khtml, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1"
]
user_agent = random.choice(user_agents)
return user_agent

#功能：爬取西刺高匿IP构造原始代理IP池
def getProxies():
init_proxies = []
##爬取前五页
for i in range(1,3):
print("####爬取第"+str(i)+"页####")
#print("IP地址\\t\\t\\t端口\\t存活时间\\t\\t验证时间")
url = "http://www.xicidaili.com/nn/"+str(i)
user_agent = GetUserAgent()
headers=("User-Agent",user_agent)
opener = urllib.request.build_opener()
opener.addheaders = [headers]
try:
data = opener.open(url,timeout=5).read()
except Exception as e:
print("爬取的时候发生错误，具体如下：")
print(str(e))
selector=etree.HTML(data)

ip_addrs = selector.xpath('//tr/td[2]/text()') #IP地址
port = selector.xpath('//tr/td[3]/text()') #端口
sur_time = selector.xpath('//tr/td[9]/text()') #存活时间
ver_time = selector.xpath('//tr/td[10]/text()') #验证时间
for j in range(len(ip_addrs)):
ip = ip_addrs[j]+":"+port[j]
init_proxies.append(ip)
#输出爬取数据
#print(ip_addrs[j]+"\\t\\t"+port[j]+"\\t\\t"+sur_time[j]+"\\t"+ver_time[j])
return init_proxies

#功能：验证IP有效性
def testProxy(curr_ip):
tmp_proxies = []#存储验证成功的ip
#socket.setdefaulttimeout(10) #设置全局超时时间
tarURL = "http://www.baidu.com/"
user_agent = GetUserAgent()
proxy_support = urllib.request.ProxyHandler({"http":curr_ip})
opener = urllib.request.build_opener(proxy_support)
opener.addheaders=[("User-Agent",user_agent)]
urllib.request.install_opener(opener)
try:
res = urllib.request.urlopen(tarURL,timeout=5).read()
if len(res)!=0:
tmp_proxies.append(curr_ip)
except urllib.error.URLError as e2:
if hasattr(e2,"code"):
print("验证代理IP（"+curr_ip+"）时发生错误（错误代码）："+str(er2.code))
if hasattr(e2,"reason"):
print("验证代理IP（"+curr_ip+"）时发生错误（错误原因）："+str(er2.reason))
except Exception as e:
print("验证代理IP（"+curr_ip+"）时发生如下错误）：")
print(e)
time.sleep(2)
return tmp_proxies

def mulTestProxies(init_proxies):
'''
功能：多进程验证IP有效性
@init_proxies：原始未验证代理IP池
'''
pool = Pool(processes=10)
fl_proxies = pool.map(testProxy,init_proxies)
pool.close()
pool.join() #等待进程池中的worker进程执行完毕
return fl_proxies

if __name__ == '__main__':
start_time=datetime.datetime.now()
init_proxies = getProxies() #获取原始代理IP
tmp_proxies = mulTestProxies(init_proxies) #多进程测试原始代理IP
proxy_addrs = []
for tmp_proxy in tmp_proxies:
if len(tmp_proxy)!=0:
#print(tmp_proxy)
proxy_addrs.append(tmp_proxy)

print(len(proxy_addrs))
print(proxy_addrs)
used_time=datetime.datetime.now()-start_time
print(used_time)

这样，代理池中始终有多个不断更换的、有效的代理ip，且我们可以随机从池子中取出代理ip，然后让爬虫程序使用代理ip访问目标网站，就可以避免爬虫被ban的情况。

今天，我们就来说一下如何构建自己的代理ip池。而且，我们要做一个比较灵活的代理池，它提供两种代理方式：

1.每次都通过http接口提取一个随机代理ip，然后在爬虫中使用此代理ip（大部分代理ip池服务都是这种形式）
2.使用squid3代理做请求转发，爬虫设置好squid3代理的地址，每次请求将由squid3自动转发给代理池中的代理