用Python批量爬取优质ip代理
2024-09-04 08:10:11
前言
有时候爬的次数太多时ip容易被禁,所以需要ip代理的帮助。
今天爬的思路是:到云代理获取大量ip代理,逐个检测,将超时不可用的代理排除,留下优质的ip代理。
一、爬虫分析
首先看看今天要爬取的网址
http://www.ip3366.net/free/
1.分析网址
首先判断网址是动态网址还是静态网址,静态网址就是直接能通过翻页从网址里找到页码,以下是每页的网址:
http://www.ip3366.net/free/?stype=1&page=2
http://www.ip3366.net/free/?stype=1&page=3
http://www.ip3366.net/free/?stype=1&page=4
所以推出是静态网址,每页page递增1的规律
2.分析数据
今天打算用xpath来解析数据,首先打开F12,可以看到每条代理的信息都包裹在tr中,因此我们可以先通过tr获取全部信息,再遍历tr里的ip,端口和类型
二、完整代码
附上完整代码和详细注释
import requests
from lxml import etree
# 5.检测ip质量
def check_ip(proxies_list):
headers = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1'}
can_use=[]
for ip in proxies_list:
try:
# 设置超时时间timeout,如果响应时间超出则不合格
response=requests.get(url=base_url,headers=headers,proxies=ip,timeout=0.1)
if response.status_code==200:
can_use.append(ip)
except Exception:
print('当前代理ip:',ip,'请求超时,检测不合格')
finally:
print('当前代理ip:',ip,'检测通过')
return can_use
proxies_list=[]
# 爬3页
for page in range(1,4):
print('---------------正在爬取第{}页数据---------------'.format(page))
# 1.分析url,添加headers,伪装成浏览器
base_url='http://www.ip3366.net/free/?stype=1&page={}'.format(str(page))
headers = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1'}
# 2.发送请求
response=requests.get(url=base_url,headers=headers)
# 3.解析数据
response.encoding='gbk'
page_text=response.text
tree=etree.HTML(page_text)
# 获取所有ip代理的信息,就是所有tr
ip_list=tree.xpath('//*[@id="list"]/table/tbody/tr')
# 遍历ip代理
for tr in ip_list:
# xpath默认是列表类型,加个[0]就是文本类型了
http_type=tr.xpath('./td[4]/text()')[0]
ip=tr.xpath('./td[1]/text()')[0]
port=tr.xpath('./td[2]/text()')[0]
# 4.构建代理ip结构(格式像这样子{'HTTPS': '47.100.182.193:8081'})
proxies_dict={}
proxies_dict[http_type]=ip+":"+port
print('保存成功:',proxies_dict)
proxies_list.append(proxies_dict)
#放入空列表
print('获得代理ip数量:',len(proxies_list))
print('--------------------正在检测ip质量---------------')
can_use=check_ip(proxies_list)
print('质量高的:',can_use)
print('质量高的代理ip数量:',len(can_use))
运行效果如下:
总结
这个网站一次爬取次数多了,浏览器代理(headers)容易挂,换个浏览器代理即可。
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理
想要获取更多Python学习资料可以加
QQ:2955637827私聊
或加Q群630390733
大家一起来学习讨论吧!
最新文章
- 给ListView设置emptyView
- 领域驱动有感<;上>;
- JS中的for/in语句和arguments参数
- EvreryDay Collect
- 问题解决——multimap中统计key的种类
- python 练习 7
- 分享:mysql 随机查询数据
- qt文本编辑器
- Android Studio使用教程图文详解
- Elixir游戏服设计四
- (2-3)Eureka详解
- Docker镜像的构成__docker commit
- java学习入门之---使用idea创建第一个maven项目
- C# 数组与集合的区别
- mysql常用压测工具
- vue-router-transiton
- Java - 异常解析基础
- mySQL 约束 (Constraints):一、非空约束 NOT NULL 约束
- 我的Oracle控制台创建数据库的工具
- mysql5.7.22的安装与配置(适用mysql5.7.20至mysql5.7.22版本)
热门文章
- 安装git和lsof
- 语音识别2 -- Listen,Attend,and Spell (LAS)
- windows创建隐藏用户的powershell脚本
- django基本内容
- python+selenium利用cookie记住密码
- mysql主从同步上---主从同步原理
- 17_Android网络通信
- linux下iptables原理
- 【NOIP2015模拟11.4】JZOJ8月6日提高组T1 刷题计划
- TextClip的list和search方法报错:UnicodeDecodeError: utf-8 codec canot decode byte 0xb7 in position 8