转载请标明出处：
http://blog.csdn.net/hesong1120/article/details/78990975
本文出自:hesong的专栏
使用爬虫爬取网站的信息常常会遇到的问题是，你的爬虫行为被对方识别了，对方把你的IP屏蔽了，返回不了正常的数据给你。那么这时候就需要使用代理服务器IP来伪装你的请求了。 免费代理服务器网站有：
下面我们以西刺免费代理IP为例子看看是如何获取可用IP的。主要分为以下几个步骤：
- 请求url，获取网页数据
- 解析网页数据，找到包含【IP地址】和【端口】信息的节点，解析出这两个数据
- 验证取得的【IP地址】和【端口】信息是否可用
- 将验证可用的【IP地址】和【端口】信息保存起来（暂存到列表，或保存到文件，保存到数据库）
请求网页数据是使用requests库去做网络请求的，填入url，和header头部信息，使用get请求方式去请求，得到response相应后，返回response.text即是响应的文本内容，即网页文本内容。
# 请求url，获取网页数据
def _requestUrl(index):
src_url = 'http://www.xicidaili.com/nt/'
url = src_url + str(index)
if index == 0:
url = src_url
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
}
response = requests.get(url, headers=headers)
return response.text
用浏览器打开网址看一下
返回正确的网页数据之后，就可以开始对它进行解析了，这里使用BeautifulSoup库进行网页内容解析。如果是Chrome浏览器，按f12可以查看网页源码，如图
找到某个tr行，第1个和第2个td列就是是ip和端口信息，因此我们可以用BeautifulSoup查找所以的tr行，再查找该tr行的第1个和第2个td列即可以获取该页面上所有的ip和端口信息了。
# 解析网页数据，获取ip和端口信息
def parseProxyIpList(content):
list = []
soup = BeautifulSoup(content, 'html.parser')
ips = soup.findAll('tr')
for x in range(1, len(ips)):
tds = ips[x].findAll('td')
ip_temp = 'http://' + tds[1].contents[0] + ':' + tds[2].contents[0]
print('发现ip：%s' % ip_temp)
list.append(ip_temp)
return list
解析到页面上的所有ip和端口信息后，还需要验证它是否是有效的，然后对它们进行过滤，获取有效的ip列表。验证方法就是使用它作为代理地址，去请求网络，看是否能请求成功，如果请求成功，说明是有效的。当然，这里需要加上超时时间，以避免等待时间过长，这里设置超时时间为5秒。
# 过滤有效的ip信息
def filterValidProxyIp(list):
print('开始过滤可用ip 。。。')
validList = []
for ip in list:
if validateIp(ip):
print('%s 可用' % ip)
validList.append(ip)
else:
print('%s 无效' % ip)
return validList
# 验证ip是否有效
def validateIp(proxy):
proxy_temp = {"http": proxy}
url = "http://ip.chinaz.com/getip.aspx"
try:
response = requests.get(url, proxies=proxy_temp, timeout=5)
return True
except Exception as e:
return False
接下来要开始调用以上代码了。这里只爬取第1页数据
# 获取可用的代理ip列表
def getProxyIp():
allProxys = []
startPage = 0
endPage = 1
for index in range(startPage, endPage):
print('查找第 %s 页的ip信息' % index)
# 请求url，获取网页数据
content = _requestUrl(index)
# 解析网页数据，获取ip和端口信息
list = parseProxyIpList(content)
# 过滤有效的ip信息
list = filterValidProxyIp(list)
# 添加到有效列表中
allProxys.append(list)
print('第 %s 页的有效ip有以下：' % index)
print(list)
print('总共找到有效ip有以下：')
print(allProxys)
return allProxys
运行该爬虫程序之后，就可以开始爬取代理服务器信息了。如图
通过以上步骤就可以获取有效的代理服务器IP信息了，其他代理服务器IP网站的获取方式和这个大同小异，主要在于解析网页数据那里，需要找到包含IP和端口数据的标签，然后解析获取到。有了代理服务器IP，你就可以爬取更多网站的信息了。
还有个问题是，网站可能会对某个IP检测，如果超过一定请求次数，就会对其进行屏蔽，那这样会导致程序中断，无法获取所有的信息，这如何解决呢？欢迎关注我的微信公众号hesong，了解具体应对方式。
附上源码地址
我的博客
GitHub
我的简书
群号：194118438，欢迎入群
微信公众号 hesong ，微信扫一扫下方二维码即可关注：
