python爬虫技术使用redis搭建ip池代理

左手的ㄟ右手 2022-03-18 04:08 341阅读 0赞

## ##

### 前言 ###

爬虫爬取网页数据时由于频繁访问会被锁定IP，返回错误响应码以及验证字母验证，可以动态使用ip代理解决。

代理服务可以自己搭建，也可以购买收费的强力代理服务更靠谱。

这里是爬取的ip池示例：

![2019021911000144.png][]

项目来源GITHUB项目：[jhao104/proxy\_pool][jhao104_proxy_pool]

下面示例win10下搭建项目

### 下载 ###

安装redis：

windows下载地址：https://github.com/MicrosoftArchive/redis/releases
    #下载zip解压即可
    启动redis：运行redis-server.exe
    
    Linux安装：sudo apt-get install redis-server
    启动redis：运行redis-server

启动成功：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkwMjUyNw_size_16_color_FFFFFF_t_70][]

安装项目：

#下载源码
    git clone git@github.com:jhao104/proxy_pool.git
    
    或者直接到
    
    https://github.com/jhao104/proxy_pool 
    
    下载zip文件，解压出来

安装依赖：

#进入项目目录执行pip命令 也可以手动安装
    pip install -r requirements.txt

配置项目：

# Config/setting.py 为项目配置文件
    
    # 配置DB     
    DATABASES = {
        "default": {
            "TYPE": "SSDB",        # 如果使用SSDB或redis数据库，均配置为SSDB
            "HOST": "127.0.0.1",   # db host
            "PORT": 6379,          # db port redis默认6379
            "NAME": "proxy",       # 默认配置
            "PASSWORD": ""         # db password
    
        }
    }
    
    
    # 配置 ProxyGetter
    
    PROXY_GETTER = [
        "freeProxyFirst",      # 这里是启用的代理抓取函数名，可在ProxyGetter/getFreeProxy.py 扩展
        "freeProxySecond",
        ....
    ]
    
    
    # 配置 API服务
    
    SERVER_API = {
        "HOST": "0.0.0.0",  # 监听ip, 0.0.0.0 监听所有IP
        "PORT": 5010        # 监听端口
    }
           
    # 上面配置启动后，代理池访问地址为 http://127.0.0.1:5010

启动项目：

# 如果你的依赖已经安全完成并且具备运行条件,可以直接在Run下运行main.py
    # 到Run目录下:
    >>>python main.py
    
    # 如果运行成功你应该看到有4个main.py进程
    
    # 你也可以分别运行他们,
    # 依次到Api下启动ProxyApi.py,Schedule下启动ProxyRefreshSchedule.py和ProxyValidSchedule.py即可.

启动查看抓取的ip：[http://127.0.0.1:5010/get\_all/][http_127.0.0.1_5010_get_all]

项目有提供api使用：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkwMjUyNw_size_16_color_FFFFFF_t_70 1][]

### 爬虫动态代理： ###

def get_proxy():
        #可以换成我的Api
        return requests.get("http://127.0.0.1:5010/get/").text
    
    def getURL(self, url, redirects=False, tries_num=6, sleep_time=0.5, time_out=1000, max_retry=6, ):
            #从ip池动态获取一个ip
            proxy = get_proxy()
            try:
                res = requests.Session()
               # res = requests.get(url,headers=self.randHeader(), allow_redirects=redirects, timeout=time_out)
                res = requests.get(url,headers=self.randHeader(), allow_redirects=redirects, timeout=time_out, proxies={"http": "http://{}".format(proxy), "https": "https://{}".format(proxy)})
                res.raise_for_status()  # 如果响应状态码不是 200，就主动抛出异常
    
            except requests.RequestException as e:
                sleep_time_p = sleep_time_p + 10
                time_out_p = time_out_p + 10
                tries_num_p = tries_num_p - 1
                # 设置重试次数，最大timeout 时间和 最长休眠时间
                if tries_num_p > 0:
                    time.sleep(sleep_time_p)
                    print (self.getCurrentTime(), url, 'URL Connection Error: 第', max_retry - tries_num_p, u'次 Retry Connection', e)
                    return self.getURL(url, 'False', tries_num_p, sleep_time_p, time_out_p, max_retry)
            return res

[2019021911000144.png]: /images/20220318/a83e88dcf2cc4c72b61ae74f5552329b.png
[jhao104_proxy_pool]: http://link.zhihu.com/?target=https%3A//github.com/jhao104/proxy_pool
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkwMjUyNw_size_16_color_FFFFFF_t_70]: /images/20220318/45381f733fea44129f4d884294474089.png
[http_127.0.0.1_5010_get_all]: http://127.0.0.1:5010/get_all/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkwMjUyNw_size_16_color_FFFFFF_t_70 1]: /images/20220318/99dc9ab4b7064c1cbe2398a02865dbf8.png