最新公告
  • 欢迎您光临剑来源码,购买独家源码,请前往销售大厅!立即加入我们
  • python搭建匿名代理池

    python搭建匿名代理池

    如果您是本站会员;我们将为您提供技术支持!!!

     

    本篇文章给大家带来的内容是介绍如何用Python搭建匿名代理池?搭建匿名代理池的方法。有一定的参考价值,有需要的朋友可以参考一下,希望对你们有所帮助。

    常听到很多人抱怨自己的IP因爬虫次数太多而被网站屏蔽,不得不频繁使用各种代理IP,却又因为网上的公开代理大部分都是不能使用,而又要花钱花精力去申请VIP代理,几番波折又遭屏蔽。特此写一篇如何利用Python搭建代理池的文章,以降低时间及精力成本,实现自动化获取活跃代理IP的功能。

    运作原理

    一、 网站代理获取

    1. 爬免费代理网站的IP列表测试是否可用及是否是高匿

    2. 若都是,则放进数据库,否则丢弃。

    3. 重复第2步

    二、 保证失效的代理能被尽快从代理池中挑出

    1. 从爬虫数据库获取IP

    2. 测试IP的可用性和匿名性

    3. 如果可用且匿名,则保留,否则丢弃。

    4. 重复第1步

    说明①:可建立一个爬虫程序守护程序(Daemon),有此方面需要的小伙伴可自行谷歌,在此不多做介绍。

    说明②:可建立一个对外代理信息接口,无论你用NodeJS或者Flask/Django或者PHP来写都没关系,在此也不多做介绍。

    实现:

    建议库: requests, BeautifulSoup, re, sqlite3。

    其中,用requests库获取代理网站页面,用BeautifulSoup和re两库来进行代理信息获取,用sqlite3来对这些信息进行存取。

    如果必要(如代理网站有反爬虫策略时),可用PhantomJS替代requests,或用相应库进行数据清理(如base64解码)。

    下面简单展示一下各部分的代码:

    首先是选择多个能爬取代理且不容易被屏蔽IP的网站,此处以proxy-list.org为例:

    BASE_URL = "https://proxy-list.org/english/index.php?p="   #IP地址及端口的正则  Re_Pattern_IP = re.compile("(.*):")  Re_Pattern_PORT = re.compile(":(.*)")   #网站有11页,所以循环11次获取所有代理IP及端口  for startingURL_Param in range(1,11):     HTML_ProxyPage = requests.get(BASE_URL+str(startingURL_Param)).content     soup = bs(HTML_ProxyPage,"html.parser")     for Raw_ProxyInfo in soup.find_all("ul",{"class":None}):         #此网站有用Base64简单对代理进行了加密,所以这里对其解码         ip_port = base64.b64decode(Raw_ProxyInfo.find("li",{"class":"proxy"}).text.replace("Proxy('","").replace("')",""))         #接下来利用正则从网页数据中提取我们需要的信息         IP = re.findall(Re_Pattern_IP, ip_port)[0]         PORT = re.findall(Re_Pattern_PORT, ip_port)[0]         TYPE = Raw_ProxyInfo.find("li",{"class":"https"}).text

    接下来是一段简易代理池框架类的代码,提供代理数据库的添加、删除、可连接性检测、匿名性检测

    class ProxyPool:             #初始化爬虫池数据库     def __init__(self,ProxyPoolDB):         self.ProxyPoolDB = ProxyPoolDB         self.conn = sqlite3.connect(self.ProxyPoolDB, isolation_level=None)         self.cursor = self.conn.cursor()         self.TB_ProxyPool = "TB_ProxyPool"         self.cursor.execute("CREATE TABLE IF NOT EXISTS "+self.TB_ProxyPool+"(ip TEXT UNIQUE, port INTEGER, protocol TEXT)")        #添加代理IP进代理池的接口     def addProxy(self, IP, PORT, PROTOCOL):           self.cursor.execute("INSERT OR IGNORE INTO " + self.TB_ProxyPool+"(ip, port, protocol) VALUES (?,?,?)", [IP,PORT,PROTOCOL])        #检查代理的匿名性及可连接性     def testConnection(self, IP, PORT, PROTOCOL):         proxies = { PROTOCOL: IP+":"+PORT }         try:             OrigionalIP = requests.get("http://icanhazip.com",timeout=REQ_TIMEOUT).content             MaskedIP = requests.get("http://icanhazip.com", timeout=REQ_TIMEOUT,proxies=proxies).content             if OrigionalIP != MaskedIP:                 return True             else:                 return False         except:                 return False        #删除代理IP对应的数据库记录     def delRecord(self, IP):         self.cursor.execute("DELETE FROM "+self.TB_ProxyPool+" WHERE ip=?",(IP,))

    下面是对代理池进行去“失效IP”的代码:

    #循环代理池,逐行测试IP地址端口协议是否可用  def cleanNonWorking(self):     for info in self.cursor.execute("SELECT * FROM "+self.TB_ProxyPool).fetchall():         IP = info[0]         PORT = str(info[1])         PROTOCOL = info[2].lower()            isAnonymous = self.testConnection(IP,PORT,PROTOCOL)         if isAnonymous == False:             #这条代理的可用性失效了,从数据库里删除             self.delRecord(IP)     #通过检测icanhazip.com回显来检测可用性及匿名性  def testConnection(self, IP, PORT, PROTOCOL):         proxies = { PROTOCOL: IP+":"+PORT }         try:             OrigionalIP = requests.get("http://icanhazip.com",timeout=REQ_TIMEOUT).content             MaskedIP = requests.get("http://icanhazip.com", timeout=REQ_TIMEOUT,proxies=proxies).content             if OrigionalIP != MaskedIP:                 return True             else:                 return False         except:                 return False

    反思

    这个项目是我当年用Python练手写的,以现在的程度再来回顾,逻辑不够严谨,各类功能太过耦合,不少段落需要重写,因为代码是在校园网内所跑,所以还需要考虑到网络连接的稳定性,这就造成部分代码之间的混乱关系。

    通过icanhazip.com来检测代理匿名性的方法或许有效,但却忽略了X-Forwarded-For的HTTP头,所以有很大风险,必须改进。

    验证代理池内代理的有效性,需要多线程,目前的方案效率太低。

    完整代码

    放在此文章中的是代理池的核心代码,旨在提供各位读者能够自己实现的思路及参考,Ubuntu 16.04及Kali下用Python 2.7测试可运行。

     

    剑来源码专注于网络资源分享,百度搜索:剑来源码。
    剑来源码 » python搭建匿名代理池

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    剑来源码
    专注为开发人员提供建站资源

    发表评论

    升级SVIP尊享更多特权立即升级