你的爬虫ip又被封了?教你一招

python爬取代理IP及测试是否可用

你的爬虫ip又被封了?教你一招

很多人在爬虫时为了防止被封IP,所以就会去各大网站上查找免费的代理IP,由于不是每个IP地址都是有效的,如果要进去一个一个比对的话效率太低了,我也遇到了这种情况,所以就直接尝试了一下去网站爬取免费的代理IP,并且逐一的测试,最后将有效的IP进行返回。

在这里我选择的是89免费代理IP网站进行爬取,并且每一个IP都进行比对测试,最后会将可用的IP进行另存放为一个列表

https://www.89ip.cn/

一、准备工作

导入包并且设置头标签

import requests from bs4 import BeautifulSoup header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36' }

二、提取网页源码

提取网页源码返回的是整个网站的HTML

def getHtml(url): try: reponse = requests.get(url, headers=header) reponse.raise_for_status() reponse.encoding = reponse.apparent_encoding return reponse.text except: return "网页源码提取错误"

三、解析HTML并提取IP

函数传入的参数是HTML和存放IP地址的列表

# 解析网页,提取IP def getIp(html, list): try: soup = BeautifulSoup(html, "html.parser") tr = soup.find("tbody").find_all_next("tr") for ip in tr: # 提取IP td = ip.find_next("td").string td = str(td).replace(" ", "").replace("

", "").replace("\t", "") # 提取端口号 dk = ip.find_all_next("td")[1].string dk = str(dk).replace(" ", "").replace("

", "").replace("\t", "") # 将IP和端口号进行连接 ip = td + ":" + dk list.append(ip) # 再进IP地址存放至指定列表中去 except: print("获取IP失败")

四、测试IP是否可用

在这里测试IP的原理是用requests请求百度网站,并且传入代理IP,如果网站返回状态码为200那么说明此IP有效,如果出现其他情况则判断IP地址无效

# 测试出可用IP def ip_text(list, valid_IP): try: url = "https://www.baidu.com//" for ip in list: try: rep = requests.get(url, proxies={'https': ip}, headers=header, timeout=0.5) if rep.status_code == 200: # 如果放回的状态码是200,那么说明该IP地址可用 valid_IP.append(ip) print("该代理IP有效:" + ip) else: print("该代理IP无效:" + ip) except: print("该代理IP无效:" + ip) except: print("IP测试失败")

五、主函数main

主函数中主要负责调用函数和自定义页数指定生成URL,并且在程序结束前会输出有效IP地址

if __name__ == '__main__': valid_IP = [] # 有效IP地址 for i in range(1, 90): # 可自定义页数 ip_list = [] # 存放所有爬取到的ip url = "https://www.89ip.cn/index_" + str(i) + ".html" print(url) html = getHtml(url) getIp(html, ip_list) ip_text(ip_list, valid_IP) print("=" * 30) print("测试完成,有效IP如下:") print("-" * 30) for a in valid_IP: print(a) print("=" * 30)

代码整体框架已经结束完毕了,最后把所有代码呈现出了

完整代码

# -*- coding: utf-8 -*- import requests from bs4 import BeautifulSoup header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36' } # 提取网页源码 def getHtml(url): try: reponse = requests.get(url, headers=header) reponse.raise_for_status() reponse.encoding = reponse.apparent_encoding return reponse.text except: return "网页源码提取错误" # 解析网页,提取IP def getIp(html, list): try: soup = BeautifulSoup(html, "html.parser") tr = soup.find("tbody").find_all_next("tr") for ip in tr: # 提取IP td = ip.find_next("td").string td = str(td).replace(" ", "").replace("

", "").replace("\t", "") # 提取端口号 dk = ip.find_all_next("td")[1].string dk = str(dk).replace(" ", "").replace("

", "").replace("\t", "") # 将IP和端口号进行连接 ip = td + ":" + dk list.append(ip) # 再进IP地址存放至指定列表中去 except: print("获取IP失败") # 测试出可用IP def ip_text(list, valid_IP): try: url = "https://www.baidu.com//" for ip in list: try: rep = requests.get(url, proxies={'https': ip}, headers=header, timeout=0.5) if rep.status_code == 200: # 如果放回的状态码是200,那么说明该IP地址可用 valid_IP.append(ip) print("该代理IP有效:" + ip) else: print("该代理IP无效:" + ip) except: print("该代理IP无效:" + ip) except: print("IP测试失败") if __name__ == '__main__': valid_IP = [] # 有效IP地址 for i in range(1, 90): # 可自定义页数 ip_list = [] # 存放所有爬取到的ip url = "https://www.89ip.cn/index_" + str(i) + ".html" print(url) html = getHtml(url) getIp(html, ip_list) ip_text(ip_list, valid_IP) print("=" * 30) print("测试完成,有效IP如下:") print("-" * 30) for a in valid_IP: print(a) print("=" * 30)

正文结束!

欢迎关注公众号:Python爬虫数据分析挖掘

记录学习python的点点滴滴;

回复【开源源码】免费获取更多开源项目源码;

公众号每日更新python知识和【免费】工具;

本文已同步到【开源中国】、【腾讯云社区】、【CSDN】;