Python爬虫：搭建本地IP池

本地代理IP池

代理IP池是一种由多个代理IP构成的集合，可以通过接口等方式随时获取可用的代理IP。通俗地打个比方，它就是一个池子，里面装了很多代理ip。代理IP具有以下几个特征：

      1、池子里的ip是有生存周期的，它们将被定期验证，其中失效的将被剔除。

      2、池子里的ip是有补充渠道的，不断会有新的代理ip加入其中。

      3、池子中的代理ip是可以被随机取出来使用的。

这样，代理池中始终有多个不断更换的、有效的代理ip，且我们可以无间隔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，解决在爬虫或其他应用中遇到的封禁、限制等问题。

代理IP池功能组件

1.IP池管理器：用于管理IP池，包括IP地址的添加、删除、查询和更新等操作。

2.代理IP获取器：用于从外部资源中获取代理IP，例如从公开代理IP网站上爬取代理IP、从代理服务商订购代理IP等。

3.IP质量检测器：用于检测代理IP的质量，包括代理IP的连接速度、稳定性、匿名性等特征。

4.数据存储器：用于存储IP池和代理IP的数据，例如使用MySQL等关系型数据库、Redis等非关系型数据库等。

5。API接口层：用于接收来自应用程序的请求，调用IP池管理器、代理IP获取器、IP质量检测器和数据存储器等组件进行处理，并返回相应的数据结果。

6.应用程序：用于调用API接口层，实现代理IP的使用、监控和管理等功能。

各个组件功能说明及示例代码

IP池管理器

添加新的IP地址到IP池中；
删除不需要的IP地址；
查询IP池中的可用IP地址；
更新IP池中的IP地址信息。

class IPPoolManager:
    def __init__(self, db):
        self.db = db  # 数据库连接
 
    def add_ip(self, ip, port, protocol='http', source='', status='new'):
        ''' 添加新的IP地址到IP池 '''
        cursor = self.db.cursor()
        sql = "INSERT INTO ip_pool(ip, port, protocol, source, status) VALUES(%s, %s, %s, %s, %s)"
        data = (ip, port, protocol, source, status)
        cursor.execute(sql, data)
        self.db.commit()
        return cursor.lastrowid  # 返回添加记录的ID
 
    def delete_ip(self, ip_id):
        ''' 从IP池中删除不需要的IP地址 '''
        cursor = self.db.cursor()
        sql = "DELETE FROM ip_pool WHERE id=%s"
        cursor.execute(sql, (ip_id,))
        self.db.commit()
 
    def get_ip(self, status='new'):
        ''' 查询IP池中的可用IP地址 '''
        cursor = self.db.cursor()
        sql = "SELECT * FROM ip_pool WHERE status=%s ORDER BY id DESC LIMIT 1"
        cursor.execute(sql, (status,))
        result = cursor.fetchone()
        return result
 
    def update_status(self, ip_id, status):
        ''' 更新IP池中的IP地址信息 '''
        cursor = self.db.cursor()
        sql = "UPDATE ip_pool SET status=%s WHERE id=%s"
        cursor.execute(sql, (status, ip_id))
        self.db.commit()

代理IP获取器

负责定时（最小提取间隔）从代理IP服务商那里调用API接口获取代理IP。当然也可以爬取免费代理IP，但为了提高工作效率，建议购买优质代理IP，这里使用了站大爷代理IP（https://www.zdaye.com）。注册后可以免费试用所有的套餐2小时，生成API接口后，就可以提取到代理IP

这里以某一代理IP接口为例，实现一个简单的代理IP获取器（需要使用requests库）：

import requests
 
def get_ip():
    url = "https://www.zdaye.com" //在后台的实例管理里面可以直接生成api接口，选择JSON格式
    res = requests.get(url)
    # print(res.text)
    for i in json.loads(res.text)["data"]:
        print(i, type(i))
        ip = {
            "http": str(i["ip"]) + ":" + str(i["port"]),
            "https": str(i["ip"]) + ":" + str(i["port"])
        } 
        return ip

注意：我们拿到的代理是 {"ip":"117.57.91.154","port":40021} 这种样子的；

爬虫使用的代理要装成：{'http': '163.125.104.6:40011', 'https': '163.125.104.6:40011'}这种样子。

IP质量检测器

IP质量检测器的作用是检测代理IP的质量，包括代理IP的连接速度、稳定性、匿名性等特征。这里以验证代理IP的可用性为例，实现一个简单的IP质量检测器

import requests
 
class IPChecker:
    def __init__(self):
        self.timeout = 5  # 设置超时时间
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}
 
    def check_ip(self, ip, port):
        ''' 验证代理IP的可用性 '''
        proxies = {'http': 'http://%s:%s' % (ip, port), 'https': 'https://%s:%s' % (ip, port)}
        try:
            response = requests.get('http://www.baidu.com', headers=self.headers, proxies=proxies, timeout=self.timeout)
            if response.status_code == 200:
                return True
            else:
                return False
        except:
            return False

上面的代码使用requests库发送HTTP请求，通过设置proxies参数和timeout参数来验证代理IP是否可用，如果能正常访问百度网站，则验证通过返回True，否则返回False。

数据存储器

数据存储器的作用是存储IP池和代理IP的数据，例如使用MySQL等关系型数据库、Redis等非关系型数据库等。这里以MySQL为例，实现一个简单的数据存储器。

import pymysql
 
class MySQLDataStorage:
    def __init__(self, host, port, user, password, database):
        self.host = host
        self.port = port
        self.user = user
        self.password = password
        self.database = database
 
    def connect(self):
        ''' 连接数据库 '''
        self.db = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, database=self.database)
 
    def disconnect(self):
        ''' 断开数据库连接 '''
        self.db.close()
 
    def create_table(self):
        ''' 创建IP池表 '''
        cursor = self.db.cursor()
        sql = '''
        CREATE TABLE IF NOT EXISTS ip_pool (
            id INT(11) NOT NULL AUTO_INCREMENT,
            ip VARCHAR(50) NOT NULL,
            port VARCHAR(10) NOT NULL,
            protocol VARCHAR(10) NOT NULL,
            source VARCHAR(50) NOT NULL,
            status VARCHAR(10) NOT NULL,
            created_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
            PRIMARY KEY (id)
        ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
        '''
        cursor.execute(sql)
        self.db.commit()
 
    def insert(self, ip, port, protocol, source, status):
        ''' 添加新的IP地址到IP池 '''
        cursor = self.db.cursor()
        sql = "INSERT INTO ip_pool(ip, port, protocol, source, status) VALUES(%s, %s, %s, %s, %s)"
        data = (ip, port, protocol, source, status)
        cursor.execute(sql, data)
        self.db.commit()
        return cursor.lastrowid  # 返回添加记录的ID
 
    def delete(self, ip_id):
        ''' 从IP池中删除不需要的IP地址 '''
        cursor = self.db.cursor()
        sql = "DELETE FROM ip_pool WHERE id=%s"
        cursor.execute(sql, (ip_id,))
        self.db.commit()
 
    def select(self, status='new'):
        ''' 查询IP池中的可用IP地址 '''
        cursor = self.db.cursor()
        sql = "SELECT * FROM ip_pool WHERE status=%s ORDER BY id DESC LIMIT 1"
        cursor.execute(sql, (status,))
        result = cursor.fetchone()
        return result
 
    def update(self, ip_id, status):
        ''' 更新IP池中的IP地址信息 '''
        cursor = self.db.cursor()
        sql = "UPDATE ip_pool SET status=%s WHERE id=%s"
        cursor.execute(sql, (status, ip_id))
        self.db.commit()

上面的代码封装了MySQL的连接、断开连接、创建表、增删改查等操作，可以通过调用接口实现IP池数据库的交互。注意，这里使用了execute()函数的带参数方式来防止SQL注入攻击。

API接口层

API接口层的作用是提供API接口，让其他程序可以与IP池系统进行交互，例如查询可用代理IP、获取新的代理IP等。这里以Python Flask框架为例，实现一个简单的API接口层。

from flask import Flask, jsonify
from ip_pool_manager import IPPoolManager
 
app = Flask(__name__)
manager = IPPoolManager()  # 初始化IP池管理器
 
@app.route('/')
def hello_world():
    return 'Hello, World!'
 
@app.route('/get')
def get_proxy():
    ''' 查询可用代理IP '''
    result = manager.get_ip()
    if result:
        ip = result['ip']
        port = result['port']
        protocol = result['protocol']
        manager.update_status(result['id'], 'using')  # 更新IP状态为使用中
        return jsonify({'ip': ip, 'port': port, 'protocol': protocol})
    else:
        # 如果没有可用IP，则返回空
        return ''
 
@app.route('/add//')
def add_proxy(ip, port):
    ''' 添加新的代理IP '''
    manager.add_ip(ip, port)
    return 'ok'
 
@app.route('/delete/')
def delete_proxy(id):
    ''' 删除不需要的代理IP '''
    manager.delete_ip(id)
    return 'ok'
 
if __name__ == '__main__':
    app.run()

上面的代码使用了Flask框架实现了三个接口：

- /get：查询可用代理IP；
- /add：添加新的代理IP；
- /delete：删除不需要的代理IP。

其中，get_proxy()函数从IP池管理器中获取可用代理IP，并更新IP状态为使用中，返回JSON格式的数据；add_proxy()函数向IP池管理器中添加新的代理IP；delete_proxy()函数从IP池管理器中删除不需要的代理IP。启动Flask应用程序后，其他程序可以通过HTTP请求调用这些接口与IP池系统进行交互。

应用程序

以下是一个简单的应用程序示例。它使用IP池系统提供的可用代理IP，并使用requests库实现了一个简单的爬虫示例

import requests
from bs4 import BeautifulSoup
from ip_checker import IPChecker
from ip_pool_manager import IPPoolManager
import time
 
def main():
    checker = IPChecker()
    manager = IPPoolManager()
 
    while True:
        ip_info = manager.get_ip()  # 获取可用代理IP
        if ip_info:
            ip = ip_info.get('ip')
            port = ip_info.get('port')
            protocol = ip_info.get('protocol')
            if checker.check_ip(ip, port):
                print(f'使用代理IP {ip}:{port} 获取数据')
                proxies = {'http': f'{protocol}://{ip}:{port}', 'https': f'{protocol}://{ip}:{port}'}
                response = requests.get('http://www.baidu.com', proxies=proxies)
                # 这里可以根据需要解析返回的数据
                soup = BeautifulSoup(response.text, 'html.parser')
                print(soup.title.string)
                time.sleep(5)  # 延迟5秒后继续获取
            else:
                # 如果代理IP不可用，则将其状态设置为失效
                manager.update_status(ip_info['id'], 'invalid')
        else:
            # 如果没有可用代理IP，则等待一段时间后再尝试获取
            time.sleep(60)
 
if __name__ == '__main__':
    main()

以上代码的主函数中使用IP池系统提供的可用代理IP，使用requests库发送HTTP请求，获取返回的数据。如果返回的数据解析成功，控制台输出网站的标题，然后等待5秒后继续获取。如果代理IP不可用或者IP池中没有可用的IP，程序会等待一段时间后再尝试获取。