做过大数据抓取的程序员应该都知道,正常市面上的爬虫ip只分为两种,一种是API提取式的,还有一种是账密形式隧道模式的。往往因为高昂费用而止步。对于初学者觉得没有必要,我们知道每个卖爬虫ip的网站有的提供了免费IP,可是又很少,写了个爬虫ip池 。学习应该就够了。
爬虫ip池:
1,在各大网站爬取免费爬虫ip
2,检查ip可用 可用存入数据库1和2
3,在数据库1中拿出少量爬虫ip存入数据库2(方便维护)
4,定时检查数据库1和数据库2的爬虫ip数量,以及是否可用
5,调用端口
1、各大网站爬取免费爬虫ip
1 def IPList_61():
2 for q in [1,2]:
3 url='http://www.66ip.cn/'+str(q)+'.html'
4 html=Requestdef.get_page(url)
5 if html!=None:
6 #print(html)
7 iplist=BeautifulSoup(html,'lxml')
8 iplist=iplist.find_all('tr')
9 i=2
10 for ip in iplist:
11 if i<=0:
12 loader=''
13 #print(ip)
14 j=0
15 for ipport in ip.find_all('td',limit=2):
16 if j==0:
17 loader+=ipport.text.strip()+':'
18 else:
19 loader+=ipport.text.strip()
20 j=j+1
21 Requestdef.inspect_ip(loader)
22 i=i-1
23 time.sleep(1)
多写几个这样的方法
2,检查ip可用 可用存入数据库1,和2。
3,在数据库1中拿出少量爬虫ip存入数据库2(方便维护)。
def inspect_ip(ipprot):
2 time.sleep(1)
3 herder={
4 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36",
5 'Accept-Encoding':'gzip, deflate',
6 'Accept-Language':'zh-CN,zh;q=0.9',
7 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
8 'Upgrade-Insecure-Requests':'1'
9
10 }
11
12 url='https://www.baidu.com'
13 proxies = { "http": "http://"+str(ipprot) }
14 request=requests.get(url,headers=herder,proxies=proxies)
15 if request.status_code==200:
16 print('可用爬虫ip'+ipprot)
17 if Db.r.llen('Iplist')<=50:
18 Db.add_ip(ipprot)
19 #Alt.iplist.append(ipprot)
20
21 else:
22 Db.add_ips(ipprot)
23 else:
24 print('不可用爬虫ip'+ipprot)
我这里是用的www.baidu.com检测的 给主IP的数据库长度是50 (太多了不好维护)。
4、定时检查数据库1和数据库2的爬虫ip数量,以及是否可用
#检查ip池数量
def time_ip():
while True:
time.sleep(5)
Db.act_lenip()
#检查备用池数量
def time_ips():
while True:
time.sleep(30)<br> #当备用池数量小于100 再次获取
if Db.len_ips()<100:
print('填数据')
Acting_ip.iplist()
#程序入口
if __name__ == '__main__':
t1=threading.Thread(target=time_ip)
t1.start()
t2=threading.Thread(target=time_ips)
t2.start()
t1.join()
t2.join()
给他2个线程
Db.py
1 #coding:utf-8
2 import redis
3 import Requestdef
4 r = redis.Redis(host='127.0.0.1', port=6379)#host后的IP是需要连接的ip,本地是127.0.0.1或者localhost
5 #主ip池
6 def add_ip(ip):
7 r.lpush('Iplist',ip)
8 #备用ip池
9 def add_ips(ip):
10 r.lpush('Iplists',ip)
11 #备用ip池第一个开始取出
12 def app_ips():
13 i=str(r.lindex('Iplists',1),encoding='utf-8')
14 r.lrem('Iplists',i,num=0)
15 return i
16 def len_ips():
17 return r.llen('Iplists')
18 def len_ip():
19 return r.llen('Iplist')
20 #第一个开始取出
21 def app_ip():
22 i=str(r.lpop('Iplist'),encoding='utf-8')
23 return i
24 #取出从最后一个开始
25 def rem_ip():
26 i=str(r.rpop('Iplist'),encoding='utf-8')
27 return i
28 #检查主ip池
29 def act_db():
30 for i in range(int(r.llen('Iplist')/2)):
31 Requestdef.inspect_ip(rem_ip())
32
33 #如果ip池数量少于25个 则填满
34 def act_lenip():
35 if r.llen('Iplist')<25:
36 print('填ip')
37 while r.llen('Iplist')<=50:
38 Requestdef.inspect_ip(app_ips())
5、调用端口 使用flask库创建接口
1 from flask import Flask
2 import Db
3
4 app = Flask(__name__)
5
6 @app.route('/', methods=['GET'])
7 def home():
8 return 'What is?'
9
10 @app.route('/get', methods=['GET'])
11 def homsse():
12 return Db.app_ip()
13 #线程池数量
14 @app.route('/count', methods=['GET'])
15 def homsssse():
16 return str(Db.len_ip())
17 app.run(debug=True)
就完成了
运行api
数据库里面的 Iplist为主Ip池 iplist 为备用ip池。
用get调用 用一次就删一个。