python利用proxybroker构建爬虫免费IP代理池的实现-巨人网络通讯

python利用proxybroker构建爬虫免费IP代理池的实现

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)