本文小编为大家详细介绍“怎么用python爬虫建立免费ip代理池”，内容详细，步骤清晰，细节处理妥当，希望这篇“怎么用python爬虫建立免费ip代理池”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

　　本代码包括ip的爬取，检测是否可用，可用保存，通过函数get_proxies可以获得ip，如：{‘HTTPS’: ‘106.12.7.54:8118’}

　　下面放上源代码，并详细注释：

　　import requests

　　from lxml import etree

　　from requests.packages import urllib3

　　import random, time

　　urllib3.disable_warnings()

　　def spider(pages, max_change_porxies_times=300):

　　"""

　　抓取 XiciDaili.com 的 http类型-代理ip-和端口号

　　将所有抓取的ip存入 raw_ips.csv 待处理, 可用 check_proxies() 检查爬取到的代理ip是否可用

　　—–

　　:param pages:要抓取多少页

　　:return:无返回

　　"""

　　s = requests.session()

　　s.trust_env = False

　　s.verify = False

　　urls = 'https://www.xicidaili.com/nn/{}'

　　proxies = {}

　　try_times = 0

　　for i in range(pages):

　　url = urls.format(i + 1)

　　s.headers = {

　　'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

　　'Accept-Encoding': 'gzip, deflate, br',

　　'Accept-Language': 'zh-CN,zh;q=0.9',

　　'Connection': 'keep-alive',

　　'Referer': urls.format(i if i > 0 else ''),

　　'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}

　　while True:

　　content = s.get(url, headers=s.headers, proxies=proxies)

　　time.sleep(random.uniform(1.5, 4))  # 每读取一次页面暂停一会,否则会被封

　　if content.status_code == 503:  # 如果503则ip被封,就更换ip

　　proxies = get_proxies()

　　try_times += 1

　　print(f'第{str(try_times):0>3s}次变更,当前{proxies}')

　　if try_times > max_change_porxies_times:

　　print('超过最大尝试次数,连接失败!')

　　return -1

　　continue

　　else:

　　break  # 如果返回码是200 ,就跳出while循环,对爬取的页面进行处理

　　print(f'正在抓取第{i+1}页数据,共{pages}页')

　　for j in range(2, 102):  # 用简单的xpath提取http,host和port

　　tree = etree.HTML(content.text)

　　http = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[6]/text()')[0]

　　host = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[2]/text()')[0]

　　port = tree.xpath(f'//table[@id="ip_list"]/tr[{j}]/td[3]/text()')[0]

　　check_proxies(http, host, port)  # 检查提取的代理ip是否可用

　　def check_proxies(http, host, port, test_url='http://www.baidu.com'):

　　"""

　　检测给定的ip信息是否可用

　　根据http,host,port组成proxies,对test_url进行连接测试,如果通过,则保存在 ips_pool.csv 中

　　:param http: 传输协议类型

　　:param host: 主机

　　:param port: 端口号

　　:param test_url: 测试ip

　　:return: None

　　"""

　　proxies = {http: host + ':' + port}

　　try:

　　res = requests.get(test_url, proxies=proxies, timeout=2)

　　if res.status_code == 200:

　　print(f'{proxies}检测通过')

　　with open('ips_pool.csv', 'a+') as f:

　　f.write(','.join([http, host, port]) + '\n')

　　except Exception as e:  # 检测不通过,就不保存,别让报错打断程序

　　print(e)

　　def check_local_ip(fn, test_url):

　　"""

　　检查存放在本地ip池的代理ip是否可用

　　通过读取fn内容,加载每一条ip对test_url进行连接测试,链接成功则储存在 ips_pool.csv 文件中

　　:param fn: filename,储存代理ip的文件名

　　:param test_url: 要进行测试的ip

　　:return: None

　　"""

　　with open(fn, 'r') as f:

　　datas = f.readlines()

　　ip_pools = []

　　for data in datas:

　　# time.sleep(1)

　　ip_msg = data.strip().split(',')

　　http = ip_msg[0]

　　host = ip_msg[1]

　　port = ip_msg[2]

　　proxies = {http: host + ':' + port}

　　try:

　　res = requests.get(test_url, proxies=proxies, timeout=2)

　　if res.status_code == 200:

　　ip_pools.append(data)

　　print(f'{proxies}检测通过')

　　with open('ips_pool.csv', 'a+') as f:

　　f.write(','.join([http, host, port]) + '\n')

　　except Exception as e:

　　print(e)

　　continue

　　def get_proxies(ip_pool_name='ips_pool.csv'):

　　"""

　　从ip池获得一个随机的代理ip

　　:param ip_pool_name: str,存放ip池的文件名,

　　:return: 返回一个proxies字典,形如:{'HTTPS': '106.12.7.54:8118'}

　　"""

　　with open(ip_pool_name, 'r') as f:

　　datas = f.readlines()

　　ran_num = random.choice(datas)

　　ip = ran_num.strip().split(',')

　　proxies = {ip[0]: ip[1] + ':' + ip[2]}

　　return proxies

　　if __name__ == '__main__':

　　t1 = time.time()

　　spider(pages=3400)

　　t2 = time.time()

　　print('抓取完毕,时间:', t2 – t1)

　　# check_local_ip('raw_ips.csv','http://www.baidu.com')