为什么要使用代理？
不知道大家在写爬虫时是否遇到过这样的情况，测试时爬虫可以正常工作，但运行一段时间，就会发现报错或是没有数据返回，网页可能会提示“IP访问频繁”。这就说明网站对IP方面是有反爬措施的（IP一定时间内的请求次数及速度）。如果超过了某个阈值，就会直接拒绝服务，也就是经常说的“封IP”。
这种情况下，就到了代理IP出场了。代理实际就是代理服务器，它的工作原理其实很简单，在我们正常请求一个网站时，是直接发送请求给Web服务器，Web服务器把响应数据传给我们。而用了代理IP，就像是在本机和Web服务器之间搭建了一个“桥”，此时本机会先向代理服务器发出请求，再由代理服务器发送给Web服务器。响应数据的返回也是同样的道理，都需要代理服务器来中转。这样Web服务器就不容易识别出本机IP了。
但代理IP也有优劣之分，以隐匿性来分有3种：高匿代理，普匿代理，透明代理。
接下来就看看 Github 热门的开源项目 ProxyPool ，如何使用吧！
ProxyPool简介
一个爬虫代理IP池，定时采集网上发布的免费代理并验证入库，定时检测代理的可用性，提供 API 和 CLI 两种使用方式。同时你也可以扩展代理源以增加代理池IP的质量和数量。
下载代码
通过 git clone 下载代码
git clone git@github.com:jhao104/proxy_pool.git
下载对应zip文件
安装依赖库
pip install -r requirements.txt复制代码
修改配置文件
打开代码文件中的 setting.py ，根据自己的需求修改项目配置。
# 配置API服务HOST = "0.0.0.0" # IPPORT = 5000 # 监听端口# 配置数据库DB_CONN = 'redis://:pwd@127.0.0.1:8888/0'# 无密码DB_CONN = 'redis://:@127.0.0.1:8888/0'# proxy table name 表名(自己建的)TABLE_NAME = 'use_proxy'# 配置 ProxyFetcherPROXY_FETCHER = [ "freeProxy01", # 这里是启用的代理抓取方法名，所有fetch方法位于fetcher/proxyFetcher.py "freeProxy02", # ....]
运行项目
启动 redis 服务：redis-server.exe（可执行文件在 redis 安装路径下）。
1.启动调度程序
启动调度程序，在 Proxy_pool 项目路径下打开 cmd 输入：
python proxyPool.py schedule
读取数据库中的代理。
import redisr = redis.StrictRedis(host="127.0.0.1", port=6379, db=0)result = r.hgetall('use_proxy')result.keys()
2.启动webApi服务
python proxyPool.py server
启动web服务后, 默认配置下会开启 的api接口服务:
在爬虫中使用
import requestsdef get_proxy(): return requests.get("http://127.0.0.1:5010/get/").json()def delete_proxy(proxy): requests.get("http://127.0.0.1:5010/delete/?proxy={}".format(proxy))# your spider codedef getHtml(): # .... retry_count = 5 proxy = get_proxy().get("proxy") while retry_count > 0: try: html = requests.get('http://www.example.com', proxies={"http": "http://{}".format(proxy)}) # 使用代理访问 return html except Exception: retry_count -= 1 # 删除代理池中代理 delete_proxy(proxy) return None
代理池中的代理毕竟是爬取的免费代理，IP质量那真是一言难尽，但也足够日常开发使用。
今日内容就分享到这了，小编最后还为大家准备了一份python大礼包【加君羊：419693945】帮助大家更好的学习！