今天就跟大家聊聊有關(guān)Python搭建爬蟲代理池的方法，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

創(chuàng)新互聯(lián)專注于企業(yè)成都全網(wǎng)營銷推廣、網(wǎng)站重做改版、廣靈網(wǎng)站定制設(shè)計(jì)、自適應(yīng)品牌網(wǎng)站建設(shè)、成都h5網(wǎng)站建設(shè)、購物商城網(wǎng)站建設(shè)、集團(tuán)公司官網(wǎng)建設(shè)、成都外貿(mào)網(wǎng)站制作、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計(jì)等建站業(yè)務(wù)，價(jià)格優(yōu)惠性價(jià)比高，為廣靈等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

一、為什么要搭建爬蟲代理池

在眾多的網(wǎng)站防爬措施中，有一種是根據(jù)ip的訪問頻率進(jìn)行限制，即在某一時(shí)間段內(nèi)，當(dāng)某個(gè)ip的訪問次數(shù)達(dá)到一定的閥值時(shí)，該ip就會(huì)被拉黑、在一段時(shí)間內(nèi)禁止訪問。

應(yīng)對(duì)的方法有兩種：

1. 降低爬蟲的爬取頻率，避免IP被限制訪問，缺點(diǎn)顯而易見：會(huì)大大降低爬取的效率。

2. 搭建一個(gè)IP代理池，使用不同的IP輪流進(jìn)行爬取。

二、搭建思路

1、從代理網(wǎng)站(如：西刺代理、快代理、云代理、無憂代理)爬取代理IP；

2、驗(yàn)證代理IP的可用性（使用代理IP去請(qǐng)求指定URL，根據(jù)響應(yīng)驗(yàn)證代理IP是否生效）；

3、將可用的代理IP保存到數(shù)據(jù)庫；

常用代理網(wǎng)站：西刺代理 、云代理 、IP海 、無憂代理 、飛蟻代理 、快代理

三、代碼實(shí)現(xiàn)

工程結(jié)構(gòu)如下：

ipproxy.py

IPProxy代理類定義了要爬取的IP代理的字段信息和一些基礎(chǔ)方法。

# -*- coding: utf-8 -*-
import re
import time
from settings import PROXY_URL_FORMATTER

schema_pattern = re.compile(r'http|https$', re.I)
ip_pattern = re.compile(r'^([0-9]{1,3}.){3}[0-9]{1,3}$', re.I)
port_pattern = re.compile(r'^[0-9]{2,5}$', re.I)

class IPProxy:
  '''
  {
    "schema": "http", # 代理的類型
    "ip": "127.0.0.1", # 代理的IP地址
    "port": "8050", # 代理的端口號(hào)
    "used_total": 11, # 代理的使用次數(shù)
    "success_times": 5, # 代理請(qǐng)求成功的次數(shù)
    "continuous_failed": 3, # 使用代理發(fā)送請(qǐng)求，連續(xù)失敗的次數(shù)
    "created_time": "2018-05-02" # 代理的爬取時(shí)間
  }
  '''

  def __init__(self, schema, ip, port, used_total=0, success_times=0, continuous_failed=0,
         created_time=None):
    """Initialize the proxy instance"""
    if schema == "" or schema is None:
      schema = "http"
    self.schema = schema.lower()
    self.ip = ip
    self.port = port
    self.used_total = used_total
    self.success_times = success_times
    self.continuous_failed = continuous_failed
    if created_time is None:
      created_time = time.strftime('%Y-%m-%d', time.localtime(time.time()))
    self.created_time = created_time

  def _get_url(self):
    ''' Return the proxy url'''
    return PROXY_URL_FORMATTER % {'schema': self.schema, 'ip': self.ip, 'port': self.port}

  def _check_format(self):
    ''' Return True if the proxy fields are well-formed,otherwise return False'''
    if self.schema is not None and self.ip is not None and self.port is not None:
      if schema_pattern.match(self.schema) and ip_pattern.match(self.ip) and port_pattern.match(self.port):
        return True
    return False

  def _is_https(self):
    ''' Return True if the proxy is https,otherwise return False'''
    return self.schema == 'https'

  def _update(self, successed=False):
    ''' Update proxy based on the result of the request's response'''
    self.used_total = self.used_total + 1
    if successed:
      self.continuous_failed = 0
      self.success_times = self.success_times + 1
    else:
      print(self.continuous_failed)
      self.continuous_failed = self.continuous_failed + 1

if __name__ == '__main__':
  proxy = IPProxy('HTTPS', '192.168.2.25', "8080")
  print(proxy._get_url())
  print(proxy._check_format())
  print(proxy._is_https())

分享名稱：Python搭建爬蟲代理池的方法-創(chuàng)新互聯(lián)
瀏覽地址：http://weahome.cn/article/dosipp.html