Python爬虫 |
您所在的位置:网站首页 › 如何搭建美国ip › Python爬虫 |
目录 背景 一、什么是本地代理IP池 二、代理IP池功能架构图 三、各个组件功能说明及示例代码 1. IP池管理器 2. 代理IP获取器 3. IP质量检测器 4、数据存储器 5、API接口层 6、应用程序 总结 背景在我们进行爬虫工作时,经常需要使用代理IP。大多数代理IP服务商为了保障服务器的持久稳定性,提供的代理IP往往都有最小提取间隔限制,虽然很合理,但有些特殊要求需要0间隔提取代理IP的业务就无法使用,那么建立本地IP池,可以很好的实现0间隔提取代理IP。 一、什么是本地代理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。 二、代理IP池功能架构图自建代理IP池的功能架构图包括以下组件: 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。 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。 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。 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。 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。 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。 三、各个组件功能说明及示例代码 1. IP池管理器 IP池管理器的作用是管理IP池,它可以实现以下功能: - 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。 这里以Python语言举例,实现一个简单的IP池管理器: 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() 2. 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。 这里以站大爷代理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。 3. 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。 4、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。 5、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。 6、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。 总结有了本地IP池,可以更加方便的管理和使用代理IP,不仅可以0间隔提取代理IP,还能提高爬虫的工作效率。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |