爬虫关于ip管理池的应用

在爬虫的时候经常会遇到一个问题就是ip被封，由于ip对网站的短时间大量请求，让网站将我们的ip暂时封掉。这样我们就无法全部爬取自己想要的内容。

这里百度了一下解决办法，很多人都提到了ip代理管理池的问题，其大致思想就是在一些网站上找一些免费的ip代理，然后将他们放入一个列表中，这样我们就可以用这些免费的ip代理来不断更换，每当一个ip被封后我们就用代码调用下一个ip代理，直到我们爬完我们想要的数据。

大致思路如下:(这里我用Python来讲)

　　1.访问一个国内免费ip代理的网站(注意要获取高匿的ip)，这里我们以网站有代理(http://www.youdaili.net/）为例，进入后找到http代理点击进入，然后点击列表中最新日期的免费代理，就可以看到很多最新的免费ip代理

　　2.用Python的BeautifulSoup解析这个页面，从页面中获取所有的ip地址及端口号，组合(ip:port的形式)起来存入一个列表中，

　　3.获得了所有的ip后，接下来我么要验证这些ip能不能用，因为免费的ip代理大部分都是不能用的，所以我们就要从这些在网页上爬取的ip进行检查，去掉那些不能用的，具体方法是(注意一点Python中代理参数的格式是proxy=　　{'http':'http://ip:port'})：首先我们将ip配置为Python中代理参数的默认格式，然后我们用urllib.request.ProxyHandler方法将proxy传入，接着用urllib.request.build.opener和urllib.request.install_opener()一次处理，代理参数就配置好了，然后我们以百度为测试网站，测试看看我们的代理ip能不能，用urllib.request.urlopen()如果能返回则证明可用反之不能用。能用的话我们就添加到一个新的列表中加一保存

　　注:出入讲解的缘故，一下代码只爬取的免费代理网站上面的首页所有ip和port，至于翻页什么的大家应该可以自己搞定

代码如下:

import urllib.request
from bs4 import BeautifulSoup
#访问免费ip代理网址:http://www.youdaili.net/Daili/http/29381.html,处理得到所有的ip
def htmlParser(url):
    iplist=[]
    #设置头部
    user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'
    headers = {"User-Agent": user_agent}
    req = urllib.request.Request(url, headers=headers)
    #获取页面html
    html=urllib.request.urlopen(req).read()
    soup=BeautifulSoup(html,'html.parser')
    datas=soup.find("div",{"class":"content"}).findAll("p")
    for data in datas:
        ip=data.get_text().split("@")[0]
        iplist.apend(ip)
    return iplist


#检测ip是否可用
def confirm_ip(ip):
    #配置proxy
    proxy={'http':'http://%s'%ip}
    proxy_handler=urllib.request.ProxyHandler(proxy)
    proxy=urllib.request.bulid_handler(proxy_handler)
    urllib.request.install_handler(proxy)

    #用百度首页检测代理ip
    test_url="http://www.baidu.com"
    user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0'
    headers = {"User-Agent": user_agent}
    req = urllib.request.Request(test_url, headers=headers)

    try:
        response=urllib.request.urlopen(req)
        content=response.read()
        #获取到内容
        if content：
            print("its a right ip")
            return ip
        #没有获取到
        else:
            return None
    #访问错误
    except urllib.request.URLError as e:
        print(e.reason)
        return None

trueIp=[]
url="http://www.youdaili.net/Daili/http/29381.html"
iplist=htmlParse(url)
for ip in iplist；
    if confirm_ip(ip)!=None:
       trueIp.append(ip)

print(trueIp)

好了内容就是这么都，有不妥的地方欢迎大家交流.（吐槽一下：博客园编辑器好垃圾,第一次徒手在自带的编辑器上写，写完了看到下面一个换色，一点所有代码不见了!产品经理把这个功能改一下吧！加个提醒也行啊！！）