登录 注册

　　你可能会觉得怎么爬虫那么复杂，经常IP就被网站封了，还得去找ip代理来使用才可以继续爬虫。这是由于网站对于自己服务器以及信息的一种保护。

　　Python爬虫要经历爬虫、爬虫被限制、爬虫反限制的过程。当然后续还要网页爬虫限制优化，爬虫再反限制的一系列道高一尺魔高一丈的过程。爬虫的初级阶段，添加headers和ip代理可以解决很多问题。

　　下面我们跟着IP海，来看看Python抓取ip代理的具体代码操作：

　　运行环境：

　　Python 3.7, Pycharm

　　这些需要大家直接去搭建好环境...

　　准备工作：

　　爬取IP地址的网站(国内高匿代理)

　　爬取IP的完整代码：

　　PS:简单的使用bs4获取IP和端口号,没有啥难度,里面增加了一个过滤不可用IP的逻辑，以下关键地方都有注释了。

　　#!/usr/bin/env python3

　　# -*- coding: utf-8 -*-

　　# @Time : 2018/11/22

　　# @Author : liangk

　　# @Site :

　　# @File : auto_archive_ios.py

　　# @Software: PyCharm

　　import requests

　　from bs4 import BeautifulSoup

　　import json

　　class GetIp(object):

　　"""抓取ip代理"""

　　def __init__(self):

　　"""初始化变量"""

　　self.url = 'http://www.xicidaili.com/nn/'

　　self.check_url = 'https://www.ip.cn/'

　　self.ip_list = []

　　@staticmethod

　　def get_html(url):

　　"""请求html页面信息"""

　　header = {

　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' }

　　try:

　　request = requests.get(url=url, headers=header)

　　request.encoding = 'utf-8'

　　html = request.text

　　return html

　　except Exception as e:

　　return ''

　　def get_available_ip(self, ip_address, ip_port):

　　"""检测IP地址是否可用"""

　　header = {

　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' }

　　ip_url_next = '://' + ip_address + ':' + ip_port

　　proxies = {'http': 'http' + ip_url_next, 'https': 'https' + ip_url_next}

　　try:

　　r = requests.get(self.check_url, headers=header, proxies=proxies, timeout=3)

　　html = r.text

　　except:

　　print('fail-%s' % ip_address)

　　else:

　　print('success-%s' % ip_address)

　　soup = BeautifulSoup(html, 'lxml')

　　div = soup.find(class_='well')

　　if div:

　　print(div.text)

　　ip_info = {'address': ip_address, 'port': ip_port}

　　self.ip_list.append(ip_info)

　　def main(self):

　　"""主方法"""

　　web_html = self.get_html(self.url)

　　soup = BeautifulSoup(web_html, 'lxml')

　　ip_list = soup.find(id='ip_list').find_all('tr')

　　for ip_info in ip_list:

　　td_list = ip_info.find_all('td')

　　if len(td_list) > 0:

　　ip_address = td_list[1].text

　　ip_port = td_list[2].text

　　# 检测IP地址是否有效

　　self.get_available_ip(ip_address, ip_port)

　　# 写入有效文件

　　with open('ip.txt', 'w') as file:

　　json.dump(self.ip_list, file)

　　print(self.ip_list)

　　# 程序主入口

　　if __name__ == '__main__':

　　get_ip = GetIp()

　　get_ip.main()

　　当然了，以上这些只是用ip代理爬虫的常规操作，爬虫大神可能已经对于这些已经见怪不怪了。大家如果需要选择好用不贵的爬虫ip代理，欢迎咨询IP海。