Python实现IP代理批量采集的示例代码

2024-04-02 19:04:59 197人浏览八月长安

Python 官方文档：入门教程 => 点击学习

摘要

目录开发环境模块使用基本流程（思路）一. 数据来源分析二. 代码实现步骤过程代码开发环境 python 3.8 PyCharm 模块使用

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)