前面已经介绍了urllib+正则表达式和BeautifulSoup进行爬取数据的方法，今天再解决一个实际问题——构建自己的代理池。
通过爬虫在网上进行数据的获取，由于效率很快，换言之，访问的速度过快，导致一段时间内的流量过大，会使得对方的服务器压力过大。一般而言，服务器都会有反爬措施，比如，服务器会检测某个IP在单位时间内的请求次数，如果超过了这个阈值，就会直接拒绝服务，返回一些错误信息，这种情况可以称为封IP。于是维护自己的代理池，每次访问均使用代理池中的随机某个IIP来发送请求，是每个爬虫er的必修课。
今天，我们使用requests库+bs4，对西刺代理的国内高匿免费IP进行爬取，并进行验证，定期更换、维护自己的代理池。
一、网页的检查
西刺代理网下的国内高匿部分，是一个很简单的get请求，唯一变化的就是url：
第一页的url为：https://www.xicidaili.com/nn/1
第二页的url为：https://www.xicidaili.com/nn/2
网页界面如下，很规则，很友好。下面开始写代码。
二、爬取流程
仍按照上篇文章介绍的逻辑，爬取一个网页的数据，整体流程如下：
拼接url 》 请求网页 》 获取响应 》 解析响应 》 保存数据。
1、主函数
由于要爬取多页，需要设置一个循环，另外，把固定不变的一些参数先传输进来。因此，建立一个主函数如下：
# 定义一个主函数
def main():
# 输入固定的参数
url = 'https://www.xicidaili.com/nn/'
start_page = int(input('
请输入起始页码：'))
end_page = int(input('
请输入结束页码：'))
items = []
# 构建一个循环，用于爬取任意某页至某页
for page in range(start_page,end_page+1):
print('
第{}页开始爬取'.format(page))
# 拼接网页
url_new = url + str(page) + '/'
# 请求网页，获取响应——通过构建函数：req_res 实现
response = req_res(url_new)
# 解析响应——通过构建函数： parse_res 实现
items = parse_res(response,items)
# 休眠5秒
time.sleep(2)
print('
第{}页结束爬取'.format(page))
# 以CSV格式保存数据
df = pd.DataFrame(items)
df.to_csv('IP_data.csv',index=False,sep=',',encoding='utf-8-sig')
print('*'*30)
print('全部爬取结束')
if __name__ == '__main__':
main()
2、拼接url
该步只需要一行代码，因此直接写在主函数中。
# 拼接url url_new = url + str(page) + '/'
3、请求网页，获取响应。
主函数要尽量保持简洁，而把复杂的代码通过定义函数来实现，这里的第二步（即请求网页）和第三步（即获取响应）代码较多，这里通过建立函数：req_res来实现，由于urllib库已经介绍过，这里使用requests库来进行实现。代码如下：
# 构建请求函数，返回得到的响应
def req_res(url):
# 构建请求函数第一步——构建头部信息
USER_AGENT = [
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
]
user_agent = random.choice(USER_AGENT)
headers = {
'User-Agent':user_agent
}
# 构建请求函数第二步——构建代理池
# 本文就是为了爬取代理池，此处略
# 发起请求，获取响应
response = requests.get(url,headers = headers).text
# 返回响应
return response
4、解析函数
获得响应之后，就要对响应进行解析了。这里也通过建立一个函数来实现。同样还是使用bs4.
代码如下：
# 构建解析函数,返回数据（以字典格式返回）
def parse_res(response,items):
soup = BS(response)
# 先取出所需数据的所有存放地——<tr></tr>
tr_list = soup.select('#ip_list > tr')[1:]
# 通过遍历tr列表取出所需数据——这里演示都取出,实际只需要ip地址和端口
for tr in tr_list:
# 获取ip地址
ip_add = tr.select('td')[1].text
# 获取端口
port = tr.select('td')[2].text
# 获取服务器地址
server_add = tr.select('td')[3].text.strip()
# 获取是否匿名信息
anonymous_type = tr.select('td')[4].text
# 获取http类型
http_type = tr.select('td')[5].text
# 获取连接速度
SPEED = tr.select('td')[6]
speed = SPEED.div.attrs['title'][:-1]
# 获取连接时间
TIME_CO = tr.select('td')[7]
time_co = TIME_CO.div.attrs['title'][:-1]
# 获取存活时间
time_ar = tr.select('td')[8].text
# 获取验证时间
time_pr = tr.select('td')[9].text
# 将以上数据录入一个字典
item = {
'IP地址':ip_add,
'端口':port,
'服务器地址':server_add,
'匿名信息':anonymous_type,
'类型':http_type,
'连接速度':speed,
'连接时间':time_co,
'存活时间':time_ar,
'验证时间':time_pr
}
items.append(item)
# 返回数据
return items
5、保存数据
此处代码也较少，直接写在主函数中。
# 以CSV格式保存数据
df = pd.DataFrame(items)
df.to_csv('IP_data.csv',index=False,sep=',',encoding='utf-8-sig')
6、完整代码
这样一个爬取代理IP的完整流程代码就完成了。完整代码如下：
import requests
import pandas as pd
import random
import time
from bs4 import BeautifulSoup as BS
# 构建请求函数，返回得到的响应
def req_res(url):
# 构建请求函数第一步——构建头部信息
USER_AGENT = [
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
]
user_agent = random.choice(USER_AGENT)
headers = {
'User-Agent':user_agent
}
# 构建请求函数第二步——构建代理池
# 本文就是为了爬取代理池，此处略
# 发起请求，获取响应
response = requests.get(url,headers = headers).text
# 返回响应
return response
# 构建解析函数,返回数据（以字典格式返回）
def parse_res(response,items):
soup = BS(response)
# 先取出所需数据的所有存放地——<tr></tr>
tr_list = soup.select('#ip_list > tr')[1:]
# 通过遍历tr列表取出所需数据——这里演示都取出,实际只需要ip地址和端口
for tr in tr_list:
# 获取ip地址
ip_add = tr.select('td')[1].text
# 获取端口
port = tr.select('td')[2].text
# 获取服务器地址
server_add = tr.select('td')[3].text.strip()
# 获取是否匿名信息
anonymous_type = tr.select('td')[4].text
# 获取http类型
http_type = tr.select('td')[5].text
# 获取连接速度
SPEED = tr.select('td')[6]
speed = SPEED.div.attrs['title'][:-1]
# 获取连接时间
TIME_CO = tr.select('td')[7]
time_co = TIME_CO.div.attrs['title'][:-1]
# 获取存活时间
time_ar = tr.select('td')[8].text
# 获取验证时间
time_pr = tr.select('td')[9].text
# 将以上数据录入一个字典
item = {
'IP地址':ip_add,
'端口':port,
'服务器地址':server_add,
'匿名信息':anonymous_type,
'类型':http_type,
'连接速度':speed,
'连接时间':time_co,
'存活时间':time_ar,
'验证时间':time_pr
}
items.append(item)
# 返回数据
return items
# 定义一个主函数
def main():
# 输入固定的参数
url = 'https://www.xicidaili.com/nn/'
start_page = int(input('
请输入起始页码：'))
end_page = int(input('
请输入结束页码：'))
items = []
# 构建一个循环，用于爬取任意某页至某页
for page in range(start_page,end_page+1):
print('
第{}页开始爬取'.format(page))
# 拼接网页
url_new = url + str(page) + '/'
# 请求网页，获取响应——通过构建函数：req_res 实现
response = req_res(url_new)
# 解析响应——通过构建函数： parse_res 实现
items = parse_res(response,items)
# 休眠5秒
time.sleep(2)
print('
第{}页结束爬取'.format(page))
# 以CSV格式保存数据
df = pd.DataFrame(items)
df.to_csv('IP_data.csv',index=False,sep=',',encoding='utf-8-sig')
print('*'*30)
print('全部爬取结束')
if __name__ == '__main__':
main()
三、爬取结果
运行上述代码，西刺代理每页显示100条IP信息，这里以爬取前50页5000条IP信息为例。结果如下：
打开保存到本地的CSV文件，如下。可见5000条信息全部爬取成功。
四、IP验证
IP虽然爬取下来了，但是能不能用确是不一定的，实际上，代理IP一般都是收费的，所以免费的东西，自然没好货，不出意外的话，爬取下来的IP绝大多数是不能用的，所以需要验证下。
这里提供两种方法：
1、利用python。由于使用第二种方法，这里对第一种方法只提供想法。将爬取下来的ip使用requests库的代理方法，进行某个网页的访问，通过判断请求的响应码是否为200来判断ip是否可用（这里应该再加上个响应时间），若响应码为200则保留，否则剔除。但显然，这种方法太浪费时间。
2、利用一个叫花刺代理的软件，安装后，可直接批量检查爬取下来的IP是否可用，这里使用该软件对刚刚爬取下来的5000个IP进行检验。
首先，将刚刚爬取下来的数据通过以下代码：导出IP地址和端口信息，并保存为txt格式（该软件识别txt），代码如下。
import pandas as pd
data = pd.read_csv(r'C:UserszhcheDesktopIP_data.csv',sep=',',encoding='utf-8-sig')
lists = data.values.tolist()
for list in lists:
IP = list[0]
port = list[4]
proxy = str(IP) + ':' + str(port)
with open('ip.txt','a',encoding = 'utf-8') as f:
f.write(proxy+'
')
运行后，找到保存到本地的txt，如下：
然后，将该txt文件导入到花刺代理软件中，点击“验证全部”，结果如下。
没有看错，5000个IP中只有3个能用，得出一个至理——便宜没好货。
所以平时需要用数量来代替该不足，通过抓取上万个IP来寻找几个有用的。