ProxyIPPool
从零开始构建自己的代理IP池；根据代理IP网址抓取新的代理IP；对历史代理IP有效性验证
源码地址：https://github.com/TOMO-CAT/ProxyIPPool
为什么要使用代理IP
在爬虫的过程中，很多网站会采取反爬虫技术，其中最经常使用的就是限制一个IP的访问次数。当你本地的IP地址被该网站封禁后，可能就需要换一个代理来爬虫。其中有很多网站提供免费的代理IP（如www.xicidaili.com ），我们需要做的就是从代理网站抓取代理IP，测试代理IP的有效性后将合适的代理IP加入数据库表中作为我们爬虫的代理IP池。
开发思路
1、通过本地IP抓取第一批启动代理IP
我们从代理IP网站抓取代理IP的过程本身就是爬虫，如果短时间内请求次数过多会被网站禁止访问，因此我们需要利用本地IP去抓取第一批代理IP，然后使用代理IP去抓取新的代理IP。
2、对第一批启动的代理IP验证有效性后存入数据库
我们在数据库IP.db下建了两个表：proxy_ip_table（存储所有抓取的IP，用于查看抓取IP功能是否正常）和validation_ip_table（存储所有通过验证的IP，用于查看IP有效性）
第一步中获取的代理IP经检验后存入validation_ip_table，检验的实现如下：
def ip_validation(self, ip):
#判断是否高匿:非高匿的ip仍会出卖你的真实ip
anonymity_flag = False
if "高匿" in str(ip):
anonymity_flag = True
IP = str(ip[0]) + ":" + str(ip[1]);IP
url = "http://httpbin.org/get" ##测试代理IP功能的网站
proxies = { "https" : "https://" + IP} #为什么要用https而不用http我也不清楚
headers = FakeHeaders().random_headers_for_validation()
#判断是否可用
validation_flag = True
response = None
try:
response = requests.get(url = url, headers = headers, proxies = proxies, timeout = 5)
except:
validation_flag = False
if response is None :
validation_flag = False
if anonymity_flag and validation_flag:
return True
else:
return False
3、构建待访问的网址列表并循环抓取，每次抓取的ip_list经验证后存入数据库表
我们构建了待访问的网址列表（暂定100个容易跑完）：
self.URLs = [ "https://www.xicidaili.com/nn/%d" % (index + 1) for index in range(100)]
包含的模块
1、RandomHeaders.py
构造随机请求头，用于模拟不同的网络浏览器，调用方式：
from RandomHeaders import FakeHeaders
#返回请求xici代理网站的请求头
xici_headers = FakeHeaders().random_headers_for_xici
2、DatabaseTable.py
提供数据库的创建表和增删查功能，调用方式：
from DatabaseTable import IPPool
tablename = "proxy_ip_table"
#tablename也可以是validation_ip_table
IPPool(tablename).create() #创建表
IPPool(tablename).select(random_flag = False）
# random_flag = True时返回一条随机记录，否则返回全部记录
IPPool(table_name).delete(delete_all = True) #删除全部记录
3、GetProxyIP.py
核心代码，有几个函数可以实现不同的功能：
from GetProxyIP import Carwl
Crawl().original_run()
- 当代理IP个数不够的时候，根据url_list列表进行抓取，将合适的IP存入列表
from GetProxyIP import Carwl
#其他提供代理IP的网站
url_kuaidaili = ["https://www.kuaidaili.com/free/inha/%d" % (index + 1) for index in range(10,20)]
Crawl().get_more_run(url_list)
![]()
- 当IP池太久没用时，需要对IP有效性进行验证，不符合要求的IP需要删除
from GetProxyIP import Carwl
Crawl().proxy_ip_validation()
![]()
问题&改进
- 从代理IP网站抓取代理IP本质上也是爬虫，代理IP网站也设置了反爬机制，大概在xici获取4000个代理IP左右就会被封IP，从而需要使用代理来获取代理IP。
- 和网上的经验不同，xici网前100页的代理IP可用率还是比较高的，基本上有九成。但是可能会有"检验有效的代理IP不一定能用"和"第一次检验失效的代理IP可能以后能用"的问题，这也是我将代理IP和有效的代理IP分别存储在两张表的原因。
- 使用代理IP时，构建成http和https可能会导致截然不同的结果，同样，将目标url写成http或https可能会导致程序正常运行和报错两种结果。暂时我还不清楚原因。
- 由于程序使用了网络，并且循环次数较多。因此我多次使用了continue跳出循环，但是获取有效的代理IP还是成功率比较高的。
- 获取10000个代理IP的速度基本上需要五个小时，实在太慢了，后续如果改进程序的话可能会尝试多线程。
