前言
写爬虫的小伙伴可能遇到过这种情况:
正当悠闲地喝着咖啡,满意地看着屏幕上的那一行行如流水般被爬下来的数据时,突然一个Error弹出,提示抓不到数据了...
然后你反复检查,确信自己代码莫得问题之后,发现居然连浏览器也无法正常访问网页了...
难道是网站被我爬瘫痪了?
然后你用手机浏览所爬网站,惊奇地发现居然能访问!
才原来我的IP被网站给封了,拒绝了我的访问
这时只能用IP代理来应对禁IP反爬策略了,但是网上高速稳定的代理IP大多都收费,看了看皱皱的钱包后,一个大胆的想法冒出
我要白嫖!
啥是IP代理?假如你现在17岁未成年,理想一点的情况会是,你去商店买烟,老板告诉你未成年不能买烟,并拒绝了你的购买,这叫被服务器拒绝访问;
但是你不服气啊,于是你找来你20岁的哥哥,叫他去商店老板那帮你买包烟,然后再给你,这就叫IP代理。
ProxyBroker简介
ProxyBroker是一个开源软件,它从各种不同的IP代理网站中抓来公开的代理IP,并实时地检查代理IP的可用性,以供使用。
所以可以说ProxyBroker是一个集成了爬虫技术的开源软件。
ProxyBroker安装
你可以通过pip来安装ProxyBroker
pip install proxybroker
也可以直接从Github下载最新版本的ProxyBroker
pip install -U git+https://github.com/constverum/ProxyBroker.git
在终端使用ProxyBroker
安装成功后,你可以在终端中使用命令proxybroker
proxybroker主要有三个子命令
find子命令
find子命令用于查找并检查公开的代理IP,换言之它会列出所有经测试可用的代理IP
下列是find子命令的常用选项:
选项
作用
可选值
示例
--types
指定代理的类型
HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25
--types HTTP HTTPS
--lvl
指定代理的匿名级别
Transparent,Anonymous,High
--lvl High
--strict,-s
严格保证代理的类型与匿名级别等于指定的值
只要加上就表示启用严格模式
--strict
--countries COUNTRIES,-c COUNTRIES
指定代理IP的所属国家
US,CN...
-c CN
--limit LIMIT, -l LIMIT
指定获取的条数
正整数即可
-l 5
--outfile OUTFILE, -o OUTFILE
将找到的代理保存到文件中
文件路径
--outfile ./proxies.txt
--format FORMAT, -f FORMAT
指定输出的格式,默认值为default
default,json
-f json
--post
用post请求检查IP的可用性,默认是用get方式
只要加上就表示启用post请求检查
--post
--show-stats
是否打印详细统计信息
只要加上就表示启用打印统计信息
--show-stats
比如查找10条HTTP代理
proxybroker find --types HTTP -l 10
你可以将选项的示例值加上,自己尝试一下
grab子命令
grab子命令有点像find的简易版,它只进行查找,并不检查抓来IP的可用性
下列是grab子命令的所有选项:
选项
作用
可选值
示例
--countries COUNTRIES,-c COUNTRIES
指定代理IP的所属国家
US,CN...
-c CN
--limit LIMIT, -l LIMIT
指定获取的条数
正整数即可
-l 5
--outfile OUTFILE, -o OUTFILE
将找到的代理保存到文件中
文件路径
--outfile ./proxies.txt
--format FORMAT, -f FORMAT
指定输出的格式,默认值为default
default,json
-f json
--show-stats
是否打印详细统计信息
只要加上就表示启用打印统计信息
--show-stats
可以看到它有的选项,find子命令都有,所以它是find的阉割版
比如查找5条来自中国的代理,并将它保存至文件中
proxybroker grab -c CN -o ./proxies.txt -l 5
serve子命令
serve子命令用于搭建一个本地代理服务器,它可以分发你的请求至不同的IP代理中
下列是serve子命令的常用选项:
选项
作用
可选值
示例
--host HOST
指定服务器的地址,默认是127.0.0.1
你本机的IP
--host localhost
--port PORT
指定服务器的端口,默认是8888
你本机可用的端口
--port 5000
--max-tries SRV_MAX_TRIES
设置处理请求的最大重试次数
正整数
--max-tries 3
--min-req-proxy MIN_REQ_PROXY
设置每个IP处理请求的最小次数
正整数
--min-req-proxy 3
--http-allowed-codes HTTP_ALLOWED_CODES
设置允许代理返回的响应码
响应的状态码
--http-allowed-codes 302
--max-error-rate MAX_ERROR_RATE
设置最大允许请求的异常率,例如0.5是50%
0~1
--max-error-rate 0.3
--max-resp-time SECONDS
设置响应的最大允许秒数,默认是8秒
秒数
--max-resp-time 20
--prefer-connect
如果可以的话,是否使用CONNECT方法
只要加上就表示使用
--prefer-connect
--backlog BACKLOG
设置连接队列的最大值
正整数即可
--backlog 10
-
-
-
-
--types
指定代理的类型
HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25
--types HTTP HTTPS
--lvl
指定代理的匿名级别
Transparent,Anonymous,High
--lvl High
--strict,-s
严格保证代理的类型与匿名级别等于指定的值
只要加上就表示启用严格模式
--strict
--countries COUNTRIES,-c COUNTRIES
指定代理IP的所属国家
US,CN...
-c CN
--limit LIMIT, -l LIMIT
指定代理池的工作IP条数
正整数即可
-l 5
serve子命令搭建代理服务器,相当于把我们本机变成中间商再中间商
比如在地址为localhost,端口为5000,搭起高匿名代理服务器
proxybroker serve --host localhost --port 5000 --types HTTP --lvl High
然后先通过curl命令不使用代理访问一下http://httpbin.org/get这个地址,查看一下该网站显示我们的IP是多少
curl http://httpbin.org/get
再使用curl命令通过我们刚搭起的代理服务器访问一下,看看网站显示的IP是否有变化
curl --proxy http://localhost:5000 http://httpbin.org/get
在代码中使用ProxyBroker
你可以通过proxybroker serve子命令
搭起代理服务器,然后在发起请求时使用该代理,这种方法适用于几乎所有的编程语言
requests库使用代理
先serve搭起代理服务器
proxybroker serve --host localhost --port 5000 --types HTTP --lvl High
然后通过requests库设置代理
import requests proxies = { "http": "http://localhost:5000", "https": "http://localhost:5000" } res = requests.get('http://httpbin.org/get', proxies=proxies) print(res.json())
效果如下
scrapy库使用代理
还是先serve搭起代理服务器,代码还是和上面一样
在终端中,通过scrapy startproject
新建一个爬虫项目,然后进入该项目目录里
scrapy startproject proxy_demo cd proxy_demo
通过scrapy genspider
新建一个爬虫,名为proxy_spider_demo
,域名为httpbin.org
scrapy genspider proxy_spider_demo httpbin.org
然后将下列代码粘贴至刚刚新建的爬虫中
import json import scrapy # from scrapy.downloadermiddlewares.httpproxy import HttpProxyMiddleware class ProxySpiderDemoSpider(scrapy.Spider): name = 'proxy_spider_demo' allowed_domains = ['httpbin.org'] # start_urls = ['http://httpbin.org/'] def start_requests(self): meta = dict(proxy='http://localhost:5000') # 请求三次该网址,查看IP是否不同 for _ in range(3): # 得加上dont_filter=True,否则第2、3个请求将被dupefilter过滤 # 请求可以通过meta携带代理服务器地址,与HttpProxyMiddleware下载器中间件配合达到代理请求的目的 yield scrapy.Request('http://httpbin.org/get', dont_filter=True, meta=meta, callback=self.parse) def parse(self, response): json_body = json.loads(response.text) print('当前请求的IP为:', json_body['origin'])
在项目根目录处进入终端,通过scrapy crawl
命令运行爬虫,这里加上了--nolog
选项是为了专注于print的输出
scrapy crawl --nolog proxy_spider_demo
效果如下
python异步获取代理IP
如果不希望通过serve子命令,直接在python代码中使用代理IP,可以通过asyncio来异步获取代理IP
直接上代码
import asyncio from proxybroker import Broker async def view_proxy(proxies_queue): while True: proxy = await proxies_queue.get() if proxy is None: print('done...') break print(proxy) # 异步队列 proxies_queue = asyncio.Queue() broker = Broker(proxies_queue) tasks = asyncio.gather( # 使用grab子命令获取3条IP broker.grab(limit=3), view_proxy(proxies_queue)) loop = asyncio.get_event_loop() _ = loop.run_until_complete(tasks)
获取到代理IP后,你可以通过aiohttp
异步HTTP库或requests
库来使用它们
总结
你可以利用ProxyBroker库来白嫖免费的IP代理,但是白嫖来的始终是有缺点的,不然也不会有人专门去卖IP代理了
白嫖来的IP有稳定性差、速度慢的缺点,所以土豪可以忽视本文...
更新日志
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]