Python实现IP代理批量采集的示例代码

 

开发环境

python 3.8

pycharm

 

模块使用

import requests —> 需要安装 pip install requests

import parsel —> 需要安装 pip install parsel 解析数据模块

如果安装python第三方模块:

  • win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
  • 在pycharm中点击Terminal(终端) 输入安装命令

IP代理: 采集网站数据, 采集比较快, 你被封IP <一段时间内容 不能访问这个网站>

 

基本流程（思路）

一. 数据来源分析

你要先分析, 你想要数据是请求那个url地址可以得到…

通过开发者工具抓包分析, 分析我们想要数据来源

I. F12或者鼠标右键点检查 选择network 刷新网页

II. 分析数据内容 <IP 以及 端口>来自于哪里

通过开发者工具 关键字搜索数据来源 找到相对应的数据包

二. 代码实现步骤过程

爬虫基本四大步骤

发送请求, 模拟浏览器对于分析得到url地址发送请求 https://free.kuaidaili.com/free/inha/1/

获取数据, 获取服务器返回响应数据 —> 开发者工具里面看到 response

解析数据, 提取我们想要数据内容

保存数据, 我们想要数据内容保存本地

 

代码

# 导入数据请求模块 ---> 第三方模块, 需要安装 在cmd里面 pip install requests
import requests
# 导入数据解析模块 ---> 第三方模块, 需要安装 在cmd里面 pip install parsel
import parsel
# 导入json模块 ---> 内置模块 不需要安装
import json

# 1. 发送请求, 模拟浏览器对于分析得到url地址发送请求
proxies_list = []
proxies_list_1 = []
# 请求url地址
for page in range(1, 11):
  url = f'https://www.boc.cn/sourcedb/whpj/index_{page}.html'
  """
  headers请求头, 模拟伪装浏览器去发送请求
      不加headers相当于裸奔 ----> 告诉服务器, 我是爬虫 我是爬虫~ 你来抓我~
      加什么东西, 在哪加 ---> 开发者工具里面 复制 ua
  """
  headers = {
      # User-Agent 用户代理 表示浏览器基本身份标识
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
  }
  # 发送请求 ---> <Response [200]> 响应对象, 200状态码 表示请求成功
  response = requests.get(url=url, headers=headers)
  # 2. 获取数据, 获取服务器返回响应数据 print(response.text)
  """
  3. 解析数据, 提取我们想要数据内容
      解析方法:
          re正则: 对于字符串数据进行提取
          css: 根据标签属性内容提取
          xpath: 根据标签节点提取
  """
  # 转换数据类型 response.text<字符串数据>  <Selector xpath=None data='<html>\n<head>\n<meta http-equiv="X-UA-...'>
  selector = parsel.Selector(response.text)
  # 获取tr标签  ---> 返回列表 列表里面元素是 Selector对象
  trs = selector.css('#list table tbody tr')
  trs_1 = selector.xpath('//*[@id="list"]/table/tbody/tr')
  # for循环 一个一个提取tr标签
  for tr in trs:
      # 提取ip号 td:nth-child(1)::text 获取第一个td标签里面文本数据
      ip_num = tr.css('td:nth-child(1)::text').get()
      # ip_num_1 = tr.xpath('td[1]/text()').get()
      ip_port = tr.css('td:nth-child(2)::text').get()
      """
      IP代理结构是什么样子的?
       proxies_dict = {
                  "http": "http://" + ip:端口,
                  "https": "http://" + ip:端口,
              }
      """
      proxies_dict = {
          "http": "http://" + ip_num + ':' + ip_port,
          "https": "https://" + ip_num + ':' + ip_port,
      }
      proxies_list_1.append(proxies_dict)
      # 检测IP代理是否可用  用这个代理去请求一下网站就好了
      try:
          response_1 = requests.get(url='https://www.baidu.com/', proxies=proxies_dict, timeout=1)
          if response_1.status_code == 200:
              proxies_list.append(proxies_dict)
              print('代理可以使用: ', proxies_dict)
              # 保存代理到文本
              with open('代理.txt', mode='a', encoding='utf-8') as f:
                  f.write(json.dumps(proxies_dict))
                  f.write('\n')
      except:
          print('当前代理:', proxies_dict, '请求超时, 检测不合格')

print('===' * 50)
print('一共获取到:', len(proxies_list_1))
print('可以使用代理: ', len(proxies_list))
print(proxies_list)

关于Python实现IP代理批量采集的示例代码的文章就介绍至此，更多相关Python采集IP代理内容请搜索编程宝库以前的文章，希望以后支持编程宝库！

Python中的正则表达式要用到re模块，下面先介绍一下正则表达式需要用到的特殊字符和说明 常用的RegEx基础语法语法说明\d匹配一个数字字符\D匹配一个非数字字符\s匹配任何不可见字符 ...