100行代码打造属于自己的代理ip池

经常使用爬虫的朋友对代理ip应该比较熟悉，代理ip就是可以模拟一个ip地址去访问某个网站。我们有时候需要爬取某个网站的大量信息时，可能由于我们爬的次数太多导致我们的ip被对方的服务器暂时屏蔽（也就是所谓的防爬虫防洪水的一种措施），这个时候就需要我们的代理ip出场了

思路分析(写爬虫前大家都必须要分析一下)

https://www.xicidaili.com/

上图就是我们的西刺代理网站，今天我们就是来拿它的数据，老司机一看这个界面就会自动右击鼠标->查看源代码,

我们会发现数据都在<tr>里面，并且<tr>里面有很多的<td>，每一个<td>都包含了我们所需要的数据。

看过我以前一些爬虫文章的朋友估计一下就知道该怎么下手了，但是不急我们还是来分析一下，毕竟这次数据量有点大，而且还得校验代理ip的有效性。

获取所有的代理ip以及相关信息并保存至文件txt中

就按照我们的思路来，在这里我们需要用到的几个库，

from bs4 import BeautifulSoup
import requests
from urllib import request,error
import threading

导入库后，我们首先获得代理ip，我们来定义一个方法：（每一句的解释我都写在注释里了）

def getProxy(url):
   # 打开我们创建的txt文件
   proxyFile = open('proxy.txt', 'a')
   # 设置UA标识
   headers = {
       'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit '
                     '/ 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
   }
   # page是我们需要获取多少页的ip，这里我们获取到第９页
   for page in range(1, 10):
       # 通过观察ＵＲＬ，我们发现原网址+页码就是我们需要的网址了，这里的page需要转换成str类型
       urls = url+str(page)
       # 通过requests来获取网页源码
       rsp = requests.get(urls, headers=headers)
       html = rsp.text
       # 通过BeautifulSoup，来解析html页面
       soup = BeautifulSoup(html)
       # 通过分析我们发现数据在　id为ip_list的table标签中的tr标签中
       trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表
       # 我们循环这个列表
       for item in trs[1:]:
           # 并至少出每个tr中的所有td标签
           tds = item.find_all('td')
           # 我们会发现有些img标签里面是空的，所以这里我们需要加一个判断
           if tds[0].find('img') is None:
               nation = '未知'
               locate = '未知'
           else:
               nation = tds[0].find('img')['alt'].strip()
               locate = tds[3].text.strip()
           # 通过td列表里面的数据，我们分别把它们提取出来
           ip = tds[1].text.strip()
           port = tds[2].text.strip()
           anony = tds[4].text.strip()
           protocol = tds[5].text.strip()
           speed = tds[6].find('div')['title'].strip()
           time = tds[8].text.strip()
           # 将获取到的数据按照规定格式写入txt文本中，这样方便我们获取
           proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))

上面的代码就是我们抓取西刺代理上的所有ip并将它们写入txt中，

校验代理ip的可用性

这里是通过代理ip去访问百度所返回的状态码来辨别这个代理ip到底有没有用的。

def verifyProxy(ip):
   '''
   验证代理的有效性
   '''
   requestHeader = {
       'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36"
   }
   url = "http://www.baidu.com"
   # 填写代理地址
   proxy = {'http': ip}
   # 创建proxyHandler
   proxy_handler = request.ProxyHandler(proxy)
   # 创建ｏｐｅｎｅｒ
   proxy_opener = request.build_opener(proxy_handler)
   # 安装opener
   request.install_opener(proxy_opener)

   try:
       req = request.Request(url, headers=requestHeader)
       rsq = request.urlopen(req, timeout=5.0)
       code = rsq.getcode()
       return code
   except error.URLError as e:
       return e

在这个方法中会得到一个状态码的返回，如果返回码是200，那么这个代理ip就是可用的。

def verifyProxyList():

   verifiedFile = open('verified.txt', 'a')

   while True:
       lock.acquire()
       ll = inFile.readline().strip()
       lock.release()
       if len(ll) == 0 : break
       line = ll.strip().split('|')
       ip = line[1]
       port = line[2]
       realip = ip+':'+port
       code = verifyProxy(realip)
       if code == 200:
           lock.acquire()
           print("---Success:" + ip + ":" + port)
           verifiedFile.write(ll + "\n")
           lock.release()
       else:
           print("---Failure:" + ip + ":" + port)

写完校验方法后，就从事先爬取到的所有代理ip的txt文件中获取到ip和端口(ip地址:端口)，通过判断返回值是否为200来进行写入到有效的txt文件中。

调用函数

万事俱备只欠调用！

if __name__ == '__main__':
   tmp = open('proxy.txt', 'w')
   tmp.write("")
   tmp.close()
   tmp1 = open('verified.txt', 'w')
   tmp1.write("")
   tmp1.close()
   getProxy("http://www.xicidaili.com/nn/")
   getProxy("http://www.xicidaili.com/nt/")
   getProxy("http://www.xicidaili.com/wn/")
   getProxy("http://www.xicidaili.com/wt/")

   all_thread = []
   # 30个线程
   for i in range(30):
       t = threading.Thread(target=verifyProxyList)
       all_thread.append(t)
       t.start()

   for t in all_thread:
       t.join()

   inFile.close()
   verifiedtxt.close()

因为西刺代理提供了四种代理ip，所以分别有四个网址。这里我们也采用了线程的方法，主要是为了防止出现线程互相争夺导致我们的数据不精确，在上面几个方法中我们也通过了同步锁来对其进行线程安全的保证。

其实总体来说这个爬虫不是特别的难，主要的难点在于数据量可能有点多，很多人可能不会考虑到线程安全的问题，导致数据获取的不精确。