python3使用付费代理和ip池的维护

前言

这一段时间爬取一些数据的时候遭到了封ip。免费的ip满足不了我的需求并且不是很稳定，所以选择的代理ip，我买了一天2000ip，这些对于我的小爬爬就够了。记录了第一次使用代理ip的一些坎坷和经历，希望能够减少初学者的坑。

更新：在使用代理是如果频率过快返回的是‘{“code”:“3001”,“msg”:“提取频繁请按照规定频率提取!”}’不可将该msg添加到ip池中，故需要先判断返回状态。

在使用代理ip之前，首先要了解几样东西：

• 一：​​对返回ip格式的操作​​，很显然xx代理是给出json格式的数据，可以直接请求后返回json数据进行操作包过提取，删除，增加。当然，在实际使用ip代理的时候最好先在浏览器中请求一次，复制下来新建一个py文件练习对其操作。
• 二：​​ip的有效期​​，现在大部分的ip代理都是有有效期的，我买的就是1-5分钟的有效期（蘑菇的有效期其实还是挺长的），当ip失效后你需要将此ip从ip池中删除。当ip不够的时候又要引入新的ip添加到当前的ip池中。要动态维护ip池。
• 三：python3使用代理ip的方式：下文会介绍，以前我的python3使用代理ip也有格式，你爬取的是http用http，是https用https就行。
• 四：​​异常处理​​，再写爬虫的时候一定要对所有可能产生异常的操作进行try except的异常处理。异常又要注意是否为超时异常，还是ip不可用，过期的异常，还是操作dom树的时候产生的异常。不同的异常要采用不同的策略。（可用状态码，全局变量判断）。
• 五：注意使用信息和要求：我买的那个xx代理不能请求频率超过5s。还有就要有添加本地ip地址。（可能是基于安全考虑）
• 六：分析目标网站对ip的需求。你需要设置ip池的最小和请求ip的个数不至于太大或太小，可以预先测试。打个比方你爬的网站同一个时段10个ip更换就不够了。你不至于开100个ip去爬吧，ip过期而没咋么用就是对资源的浪费（当然土豪请随意。）

我个人的解决方向：

• 先写个小程序操作返回的json数据测试。
• 设置全局的列表ipdate[]，全局的一个msg{}字典（其实字典就是列表中随机选的一个ip和端口，只不过通过记录标记可以很好的进行删除操作?），
• 将请求ip的操作添加到全局列表（数组）中写成一个loadip（）函数,以便判断ip不够时候即使添加（列表extend方法了解下，不是append哦）。
• 写一个随机选ip的函数getproxies()，更换proxies{}里面的内容。同时msg也要更换。注意python函数改变全局变量需要在函数里先global msg声明。每次进行http(s)请求前执行一次更新操作。
• 所有的操作都在try excpet操作，对不同的异常采用不同处理。比如（有的因为ip异常没爬到需要从爬，而有的因为dom结构异常就需要跳过）。
  当然实际处理可能会遇到各种问题，比如页面跳转重定向，ssl证书，有的网站也会卡浏览器名称，或者cookie。这里不做过多介绍了。
  下面附上详细步骤：

2. 添加白名单：



4. 提取api：



6. 写一个py文件测试自己的接口返回的文件



7. 测试无误后可接入爬虫程序：附上我的demo（爬取马蜂窝）后面会写具体操作，这里不讲爬虫的思路。

import requests
from bs4 import BeautifulSoup
import pymysql
import re
import json
import time
import random
# 打开数据库连接
db = pymysql.connect(host="localhost", user="root",
                     password="123456", db="date", port=3306)
ipdate=[]
msg={}
proxies = {'http': ''}
stadus=0
def loadip():
   url='http://piping.mogumiao.com/proxy/api/get_ip_bs?appKey=14b5feb7445241329a1381e26e1f6aa7&count=20&expiryDate=0&format=1&newLine=2'
   req=requests.get(url)
   date=req.json()
   ipdate2=date['msg']
   global ipdate
   ipdate.extend(ipdate2)
   print(ipdate)
def getproxies():
    b=random.choice(ipdate)
    d = '%s:%s' % (b['ip'], b['port'])
    global proxies
    proxies['http']=d
    global msg
    msg=b
# 使用cursor()方法获取操作游标
cur = db.cursor()
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}

def jud(cityid):
   try:
    url='http://www.mafengwo.cn/travel-scenic-spot/mafengwo/'+str(cityid)+'.html'
    if(len(ipdate)<30):#拓展ip池

        loadip()
    getproxies()
    req=requests.get(url,headers=header,proxies=proxies,timeout=2,allow_redirects=False)
    global stadus
    stadus=req.status_code
    print(cityid,stadus)
    if stadus==200:#请求成功
        html=req.text
        soup=BeautifulSoup(html,'lxml')
        href=soup.find(attrs={'class':'navbar clearfix'})
        infourl='http://www.mafengwo.cn'+str(href.find(attrs={'data-cs-p':'概况'}).get('href'))#主要信息
        viewhref='http://www.mafengwo.cn'+str(href.find(attrs={'data-cs-p':'景点'}).get('href'))#景点信息
        foodhref='http://www.mafengwo.cn'+str(href.find(attrs={'data-cs-p':'餐饮'}).get('href'))#餐饮信息'
        updatehref="update cityhref set infohref='%s',viewhref='%s',foodhref='%s' where city_id=%d"%(infourl,viewhref,foodhref,cityid)
        print(cityid,foodhref,len(ipdate))
        try:
            cur.execute(updatehref)
            db.commit()
        except Exception as e:
            print(updatehref,e)
            db.rollback()
        stadus=0
   except Exception as e3:
       if ( stadus == 301 or stadus==302 or stadus==200):
           print('no prbo',cityid,stadus)
       else:
         print(e3, cityid, stadus)
         try:
             print('remove')
             ipdate.remove(msg)
         #   ipdate.remove(msg)
         except Exception as  e6:
             print(e6)
         jud(cityid)

loadip()#先填充一部分ip
time.sleep(5)#休眠五秒
sql='select city_id,infohref from cityhref'
cur.execute(sql)
value=cur.fetchall()
# for cityid in value:
#     if(cityid[1]==None):
#         print('start:',cityid[0])
#         jud(cityid[0])
#jud(64641)
# jud(5429475)
db.close()

有些核心部分已经被注释掉，如果有其他问题可以一起交流。总的来说蘑菇代理还是不错的，可用率还行，时间也没那么苛刻。

如果对​​后端、爬虫、数据结构算法​​​等感性趣欢迎关注我的个人公众号交流：​​bigsai​​