爬取了五千多个代理IP！再也不怕网站封我IP了！

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。

私信菜鸟007获取此案例源码！

# 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('\n请输入起始页码：'))
 end_page = int(input('\n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('\n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('\n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('\n请输入起始页码：'))
 end_page = int(input('\n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('\n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('\n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:\Users\zhche\Desktop\IP_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+'\n')

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。