如何用Python搭建匿名代理池？搭建匿名代理池的方法-木庄网络博客

本文摘自php中文网，作者青灯夜游，侵删。

本篇文章给大家带来的内容是介绍如何用Python搭建匿名代理池？搭建匿名代理池的方法。有一定的参考价值，有需要的朋友可以参考一下，希望对你们有所帮助。

常听到很多人抱怨自己的IP因爬虫次数太多而被网站屏蔽，不得不频繁使用各种代理IP，却又因为网上的公开代理大部分都是不能使用，而又要花钱花精力去申请VIP代理，几番波折又遭屏蔽。特此写一篇如何利用Python搭建代理池的文章，以降低时间及精力成本，实现自动化获取活跃代理IP的功能。

运作原理

一、网站代理获取

1. 爬免费代理网站的IP列表测试是否可用及是否是高匿

2. 若都是，则放进数据库，否则丢弃。

3. 重复第2步

二、保证失效的代理能被尽快从代理池中挑出

1. 从爬虫数据库获取IP

2. 测试IP的可用性和匿名性

3. 如果可用且匿名，则保留，否则丢弃。

4. 重复第1步

说明①：可建立一个爬虫程序守护程序（Daemon），有此方面需要的小伙伴可自行谷歌，在此不多做介绍。

说明②：可建立一个对外代理信息接口，无论你用NodeJS或者Flask/Django或者PHP来写都没关系，在此也不多做介绍。

实现：

建议库： requests, BeautifulSoup, re, sqlite3。

其中，用requests库获取代理网站页面，用BeautifulSoup和re两库来进行代理信息获取，用sqlite3来对这些信息进行存取。

如果必要（如代理网站有反爬虫策略时），可用PhantomJS替代requests，或用相应库进行数据清理（如base64解码）。

下面简单展示一下各部分的代码：

首先是选择多个能爬取代理且不容易被屏蔽IP的网站，此处以proxy-list.org为例：

BASE_URL = "https://proxy-list.org/english/index.php?p="
 
#IP地址及端口的正则
 
Re_Pattern_IP = re.compile("(.*):")
 
Re_Pattern_PORT = re.compile(":(.*)")
 
#网站有11页，所以循环11次获取所有代理IP及端口
 
for startingURL_Param in range(1,11):
 
   HTML_ProxyPage = requests.get(BASE_URL+str(startingURL_Param)).content
 
   soup = bs(HTML_ProxyPage,"html.parser")
 
   for Raw_ProxyInfo in soup.find_all("ul",{"class":None}):
 
       #此网站有用Base64简单对代理进行了加密，所以这里对其解码
 
       ip_port = base64.b64decode(Raw_ProxyInfo.find("li",{"class":"proxy"}).text.replace("Proxy('","").replace("')",""))
 
       #接下来利用正则从网页数据中提取我们需要的信息
 
       IP = re.findall(Re_Pattern_IP, ip_port)[0]
 
       PORT = re.findall(Re_Pattern_PORT, ip_port)[0]
 
       TYPE = Raw_ProxyInfo.find("li",{"class":"https"}).text

接下来是一段简易代理池框架类的代码，提供代理数据库的添加、删除、可连接性检测、匿名性检测：

class ProxyPool:        
 
   #初始化爬虫池数据库
 
   def __init__(self,ProxyPoolDB):
 
       self.ProxyPoolDB = ProxyPoolDB
 
       self.conn = sqlite3.connect(self.ProxyPoolDB, isolation_level=None)
 
       self.cursor = self.conn.cursor()
 
       self.TB_ProxyPool = "TB_ProxyPool"
 
       self.cursor.execute("CREATE TABLE IF NOT EXISTS "+self.TB_ProxyPool+"(ip TEXT UNIQUE, port INTEGER, protocol TEXT)")
 
   #添加代理IP进代理池的接口
 
   def addProxy(self, IP, PORT, PROTOCOL):  
 
       self.cursor.execute("INSERT OR IGNORE INTO " + self.TB_ProxyPool+"(ip, port, protocol) VALUES (?,?,?)", [IP,PORT,PROTOCOL])
 
   #检查代理的匿名性及可连接性
 
   def testConnection(self, IP, PORT, PROTOCOL):
 
       proxies = { PROTOCOL: IP+":"+PORT }
 
       try:
 
           OrigionalIP = requests.get("http://icanhazip.com",timeout=REQ_TIMEOUT).content
 
           MaskedIP = requests.get("http://icanhazip.com", timeout=REQ_TIMEOUT,proxies=proxies).content
 
           if OrigionalIP != MaskedIP:
 
               return True
 
           else:
 
               return False
 
       except:    
 
           return False
 
   #删除代理IP对应的数据库记录
 
   def delRecord(self, IP):
 
       self.cursor.execute("DELETE FROM "+self.TB_ProxyPool+" WHERE ip=?",(IP,))

下面是对代理池进行去“失效IP”的代码：

#循环代理池，逐行测试IP地址端口协议是否可用
 
def cleanNonWorking(self):
 
   for info in self.cursor.execute("SELECT * FROM "+self.TB_ProxyPool).fetchall():
 
       IP = info[0]
 
       PORT = str(info[1])
 
       PROTOCOL = info[2].lower()
 
       isAnonymous = self.testConnection(IP,PORT,PROTOCOL)
 
       if isAnonymous == False:
 
           #这条代理的可用性失效了，从数据库里删除
 
           self.delRecord(IP)
 
#通过检测icanhazip.com回显来检测可用性及匿名性
 
def testConnection(self, IP, PORT, PROTOCOL):
 
       proxies = { PROTOCOL: IP+":"+PORT }
 
       try:
 
           OrigionalIP = requests.get("http://icanhazip.com",timeout=REQ_TIMEOUT).content
 
           MaskedIP = requests.get("http://icanhazip.com", timeout=REQ_TIMEOUT,proxies=proxies).content
 
           if OrigionalIP != MaskedIP:
 
               return True
 
           else:
 
               return False
 
       except:    
 
           return False