python爬虫之生成免费的IP代理池

1. 什么是IP代理池

• 学过爬虫的大概都知道UA伪装，这时我们就有必要提到IP代理池了。所以说IP代理池就是一种用于网络爬虫、数据挖掘和访问限制突破等应用场景的技术。帮助您将请求路由到网站并显示其自己的IP地址，同时隐藏您自己的IP地址。

2. 生成IP代理池的代码展示

# -*- coding: utf-8 -*-
# @Time : 2023/4/26 19:46
# @Author : Weiri
# @File : paqu_ip.py
# @Project : Web crawlers


import time
import random
import requests
from lxml import etree
from fake_useragent import UserAgent


class ProxyFreePool:
    """
    抓取快代理免费高匿代理，并测试是否可用，建立免费代理IP池
    """

    def __init__(self):
        self.url = 'https://www.kuaidaili.com/free/inha/{}/'  # url地址
        self.text_url = "http://baidu.com/"  # 测试url

    def get_proxy_pool(self, url):
        """
        function:  获取url地址的ip和port
              in:  url：传入的url地址
             out:  ip：代理ip
                   port：端口号
          return:  None
          others:  Get IP & Port Func
        """
        headers = {'User-Agent': UserAgent().random}  # 构建随机请求头
        html = requests.get(url=url, headers=headers).text  # 获取快代理页面的响应内容
        p = etree.HTML(html)  # 创造解析对象
        # 1、基准xpath //table[@class='table table-bordered table-striped']/tbody/tr/td
        tr_list = p.xpath("//table[@class='table table-bordered table-striped']/tbody/tr")  # 解析对象调用xpath
        for tr in tr_list[1:]:
            ip = tr.xpath("./td[1]/text()")[0].strip()
            port = tr.xpath("./td[2]/text()")[0].strip()
            # 测试代理IP是否可用
            self.text_proxy(ip, port)

    def text_proxy(self, ip, port):
        """
        function:  测试一个代理IP是否可用函数
              in:  ip：代理IP
                   port：端口号
             out:  None
          return:  None
          others:  Text Proxy Func
        """
        proxies = {
            'http': 'http://{}:{}'.format(ip, port),
            'https': 'https://{}:{}'.format(ip, port)
        }  # 传入ip和端口号
        # noinspection PyBroadException
        try:
            headers = {'User-Agent': UserAgent().random}  # 构建随机请求头
            res = requests.get(url=self.text_url, headers=headers, timeout=2, proxies=proxies)
            if res.status_code == 200:  # 判断响应码是否正确
                print(ip, port, '\033[31m可用\033[0m')  # 打印
                with open("proxy.txt", "a") as f:
                    f.write(ip + ':' + port + '\n')  # 写入proxy.txt
        except Exception as e:
            print(ip, port, '不可用')

    def run(self):
        """
        function:  程序入口函数
              in:  None
             out:  None
          return:  None
          others:  Program Entry Func
        """
        for i in range(1, 1001):
            url = self.url.format(i)  # 拼接url地址
            self.get_proxy_pool(url=url)
            time.sleep(random.randint(1, 2))  # 随机休眠1-2s


if __name__ == '__main__':
    # spider = ProxyPool()
    # spider.run()
    spider = ProxyFreePool()
    spider.run()

3. 怎么使用

• 学过爬虫的都知道发送请求跟UA伪装，这里的IP代理池在python爬虫中如何使用就关乎到了UA伪装。有一点爬虫基础的都知道头文件或者UA伪装是这样的。

        headers = {'User-Agent': UserAgent().random}  # 构建随机请求头

• 还有这样的：

headers = {
    'user-agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/112.0.0.0 Mobile Safari/537.36 Edg/112.0.1722.48 '
}

• 使用IP代理池的例子

proxies = {
           'https':'117.29.228.43:64257',
           'http':'117.29.228.43:64257'
       }
 
requests.get(url, headers=head, proxies=proxies, timeout=3) #proxies

• 如果你是刚入门的话就用最简单的去实现，后续再去学复杂的。