python采集IP代理数据,防止数据采集IP被封情况

前言

嗨喽,大家好呀~这里是爱看美女的茜茜呐

又到了学Python时刻~

为什么要IP代理:

当采集数据, 批量采集数据, 请求速度过快, 网站可能会把你IP封掉 <你的网络进不去这个网站>

IP代理换一个IP, 再去采集请求数据

一. 抓包分析数据来源

1. 明确需求:

确定采集网站以及采集数据是什么

获取IP代理, 检测IP代理是否可用

dit = {
‘http’: ‘http://’ + IP:端口
}

2. 分析IP和端口号 这两个数据, 请求那个网站可以得到?

F12 或者 右键点击检查选择network 刷新网页

分析数据在哪里 --> 通过关键字<我们想要数据>搜索数据来源

请求 https://www.*****.com/free/ 获取 response 就可以得到我们想要IP和端口的数据

二. 代码实现步骤过程

  1. 发送请求, 模拟浏览器对于url地址发送请求

  2. 解析数据, 提取我们想要数据内容

  3. 保存数据, 把可用IP代理保存本地,IP代理检测

  4. 检测可用之后, 保存IP代理

代码展示

( 完整源码点击此处跳转跳转文末名片加入君羊,找管理员小姐姐领取呀~ )

发送请求

请求链接

url = f'https://www.******.com/free/inha/1/'

模拟伪装 --> headers 请求头 字典数据类型

headers = {
    # User-Agent 用户代理 表示浏览器基本身份信息
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
response = requests.get(url=url, headers=headers)

解析数据

三种解析方法

re:直接对于字符串数据提取

re.findall(‘匹配什么数据’, ‘什么地方匹配’) 找到我们想要数据内容

从什么地方去匹配什么数据

response.text 里面去匹配 (.?) 其中 (.?) 这段内容就是我们要的数据

() 表示你要的数据, .*? 匹配规则 可以匹配任意字符(除了换行符\n)

IP_list = re.findall('<td data-title="IP">(.*?)</td>', response.text)
PORT_list = re.findall('<td data-title="PORT">(.*?)</td>', response.text)

css:根据标签属性提取数据

list tbody tr td:nth-child(1) 定位标签元素

td:nth-child(1) 表示第一个td标签

td:nth-child(1)::text 表示提取第一个td标签里面文本数据

getall() 表示获取所有

IP_list = selector.css('#list tbody tr td:nth-child(1)::text').getall()
PORT_list = selector.css('#list tbody tr td:nth-child(2)::text').getall()

xpath:根据标签节点提取数据

IP_list = selector.xpath('//*[@id="list"]//tbody/tr/td[1]/text()').getall()
PORT_list = selector.xpath('//*[@id="list"]//tbody/tr/td[2]/text()').getall()

for循环遍历提取数据 把列表里面元素 一个一个提取出来

for IP, PORT in zip(IP_list, PORT_list):
    dit = {
        'http': 'http://' + IP + ':' + PORT,
        'https': 'https://' + IP + ':' + PORT,
    }

print(dit)

检测IP代理是否可用, 请求一个网站携带上IP代理

try:
    # 携带IP代理发送请求
    response_1 = requests.get(url='https://www.*****.com/', headers=headers, proxies=dit, timeout=1)
    # response_1.status_code 获取状态码
    if response_1.status_code == 200:
        print(dit, '这个代理真润')
        use_list.append(dit)
except:
    print(dit, 'He tui~ 用不了')

保存

with open('代理https.txt', mode='w', encoding='utf-8') as f:
    f.write('\n'.join([str(i) for i in use_list]))

尾语

感谢你观看我的文章呐~本次航班到这里就结束啦

希望本篇文章有对你带来帮助 ,有学习到一点知识~

躲起来的星星也在努力发光,你也要努力加油(让我们一起努力叭)。

最后,宣传一下呀~更多源码、资料、素材、解答、交流皆点击下方名片获取呀

你可能感兴趣的:(python爬虫,python,开发语言,pycharm)