爬虫福音:GitHub 超火爆开源 IP 代理池

瞬间科学上网:http://www.svpn.tech/

作者:闲欢来源:Python 技术经常有粉丝在后台留言,问:大佬,运行你的爬虫程序怎么报错了?我让他把报错信息发过来,看过之后一声叹息大多数粉丝是直接拿着代码就开始运行,然后就是等待结果,完全不去仔细阅读和理解源码,遇到报错就直接过来询问。

多数爬虫源码运行的报错都是由于访问目标网站过于频繁,从而导致目标网站返回错误或者没有数据返回目前大多数网站都是有反爬措施的,如果 IP 在一定时间内 请求次数超过了一定的阈值就会触发反爬措施,拒绝访问,也就是我们经常听到的“封IP”。

那么怎么解决这个问题呢?一种解决办法就是降低访问频率,访问一次就等待一定时长,然后再次访问这种方法对于反爬措施不严格的网站是有效的如果遇到反爬措施严格的网站,访问次数多了还是会被封杀而且有时候你需要爬取数据,这种解决办法会使获取数据的周期特别长。

第二种解决办法就是使用代理 IP我不断地切换 IP 访问,让目标网站认为是不同的用户在访问,从而绕过反爬措施这也是最常见的方式接着,我们又面临一个问题:哪来这么多独立 IP 地址呢?最省事的方式当然是花钱买服务,这种花钱买到的 IP 一般都是比较稳定可靠的。

今天我们来聊一下不花钱免费获取代理 IP 的方式ProxyPool 简介ProxyPool 是一个爬虫的代理 IP 池,主要功能为定时采集网上发布的免费代理验证入库,定时验证入库的代理保证代理的可用性,提供API和CLI两种使用方式。

同时你也可以扩展代理源以增加代理池IP的质量和数量获取项目我们可以通过两种方式获取 ProxyPool 项目第一种是通过命令行下载:git clone [email protected]:jhao104/proxy_pool.git。

第二种是下载对应的 zip 压缩包:

vpn官方地址:https://www.sandrakurvits.com/

安装依赖我们获取到项目之后,进入到项目的根目录,运行下面的代码来安装项目所需的依赖包:pip install -r requirements.txt修改配置文件要在本地运行项目,我们需要针对本地环境修改一些配置。

打开项目中的 setting.py 这个文件,根据自己本地的环境和要求修改配置# setting.py 为项目配置文件 # 配置API服务 HOST = "0.0.0.0" # IP PORT = 5000 # 监听端口 # 配置数据库 DB_CONN = redis://:[email protected]:8888/0 # 配置 ProxyFetcher PROXY_FETCHER = [ "freeProxy01", # 这里是启用的代理抓取方法名,所有fetch方法位于fetcher/proxyFetcher.py "freeProxy02", # .... ]

主要修改的几项配置是监听端口(PORT)、 Redis 数据库的配置(DB_CONN)和启用的代理方法名(PROXY_FETCHER)启动项目修改完配置之后,我们就可以愉快地使用了这个项目总体分为两个部分:爬取代理 IP 和 取用代理 IP。

如果你要启用爬取代理 IP 的服务,直接运行下面命令:python proxyPool.py schedule启动之后,你就可以看到如下的控制台信息了:

程序每隔一段时间就会定时爬取一下,直到我们的 IP 池里面有一定数量的可用 IP 其实,作者在这个项目中运用的原来就是到一些免费的代理网站采集 IP,然后测试 IP 的可用性,可用的就存入 Redis 中,不可用就丢弃。

所以你完全可以自己写一套程序实现这个逻辑使用代理 IP要使用代理 IP,你需要启动 webApi 服务:python proxyPool.py server启动web服务后, 默认配置下会开启 http://。

127.0.0.1:5010 的api接口服务:

如果要在爬虫代码中使用的话, 可以将此api封装成函数直接使用,例如:import requests def get_proxy(): return requests.get("http://127.0.0.1:5010/get/").json() def delete_proxy(proxy): requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy)) # your spider code def getHtml(): # .... retry_count = 5 proxy = get_proxy().get("proxy") while retry_count > 0: try: html = requests.get(http://www.example.com, proxies={"http": "http://{}".format(proxy)}) # 使用代理访问 return html except Exception: retry_count -= 1 # 删除代理池中代理 delete_proxy(proxy) return None

总结作为学习使用的 IP 代理池,这项目获取的足够使用了,但是对于一些复杂的爬虫项目或者商业项目的话,可能比较够呛,毕竟这种爬取的免费代理质量肯定没有那么好,不稳定是正常的。

瞬间科学上网:http://www.svpn.tech/

 分享

本文由网络整理 © 版权归原作者所有

  •  主题颜色

    • 橘色
    • 绿色
    • 蓝色
    • 粉色
    • 红色
    • 金色
  • 扫码用手机访问

本站只提供WEB页面服务,本站不存储、不制作任何视频,不承担任何由于内容的合法性及健康性所引起的争议和法律责任。

若本站收录内容侵犯了您的权益,请附说明联系邮箱,本站将第一时间处理。

© 2024 www.a5fe.com  E-Mail:TG客服:https://t.me/sjkxswkf_bot  

观看记录