人生苦短，我用Python
前天，本人在爬取某网站时，第一次遇到IP被封的情况，等了几个小时之后，还是不行。最后，迫于无奈，还是请出了大招，使用代理IP。今天，闲来无事，本人爬取了快代理网站上 5 万多条免费高匿名代理IP。
首先，我们进入网站免费代理页面，可以看到该网站目前共有免费代理IP 3482 页。免费代理IP首页的url地址为：https://www.kuaidaili.com/free/inha/。
你可能会疑惑，我们的目标是爬取三千多页的代理IP信息，上面只提到了首页的url地址，如何知道其余页面的url地址呢？这时，不用着急，我们再点开第二页，可以看到第二页的url地址为https://www.kuaidaili.com/free/inha/2/，仔细观察就会发现，该url地址结尾有一个数字 2 ，你可能会想，第三页会不会就是3呢？事实上，正是如此，后面的以此类推……
这样，从第 2 页至最后一页的url地址所符合的规律我们已经找到了。其实，这种情况是很常见的，而且，首页url地址也可以是这样的，即url地址https://www.kuaidaili.com/free/inha/1/和https://www.kuaidaili.com/free/inha/对应的是同一页面。知道了这一点，我们就可以使用format()方法轻松写出每一页的url地址，代码如下：
1url = 'https://www.kuaidaili.com/free/inha/{}/'.format(str(i))
好了，上面重要的问题已经分析完了，下面我们开始分析页面内容并尝试爬取所需信息。我们的目标是爬取每一页表格内的所有内容，下面以第一页内容为例分析。跟之前一样，我们先右键检查，可以看到如下页面：
通过观察发现，可以使用正则表达式re模块的findall()方法匹配相关信息，下面我们开始编写程序。
首先，我们需要导入所需的库，代码如下：
1# 导入相关模块库2import requests3import re4import os5import time
下面我们尝试编写一个函数，用于匹配单个免费代理页面的所有信息。
1def get_ipinfo(url): 2 '''定义一个函数，用于获取单个页面的IP代理信息''' 3 r = requests.get(url, headers={'user-agent':'Mozilla/5.0'}) # 获取网页内容 4 html = r.text # 获取http响应内容的字符串形式 5 6 # 利用正则表达式匹配IP、PORT、匿名度、类型、位置、响应速度、最后验证时间信息 7 ip = re.findall('((?:(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d)\\.){3}(?:25[0-5]|2[0-4]\\d|[01]?\\d?\\d))', html) # 匹配IP信息 8 port = re.findall('(\d+)', html) # 匹配端口号信息 9 anonymity = re.findall('([\u4e00-\u9fa5]+)', html) # 匹配匿名度信息10 genre = re.findall('(.+)', html) # 匹配类型信息11 position = re.findall('([\u4e00-\u9fa5 ]+)', html) # 匹配位置信息12 speed = re.findall('(.+)', html) # 匹配响应速度信息13 time = re.findall('(.+)', html) # 匹配验证时间信息1415 ipinfo = zip(ip, port, anonymity, genre, position, speed, time) # 将本页面匹配信息压缩，写入csv文件16 return ipinfo
匹配到信息之后，就需要将该页信息写入到一个csv文件中，下面我们将通过编写一个函数实现该功能，代码如下：
1def write_ipinfo(ipinfo, page): 2 '''定义一个函数，将IP代理信息写入到指定的csv文件中''' 3 path = 'C:\\Users\\Lenovo\\Desktop\\IP代理' # 待写入文件存储目录 4 if not os.path.exists(path): # 判断桌面是否有名称为“IP代理”的文件夹，如果没有，就创建它 5 os.mkdir(path) 6 7 # 将匹配信息写入csv文件 8 with open(path + '//代理IP.csv', 'a' ,newline='') as f: 9 writer = csv.writer(f)10 if page == 1:11 writer.writerow(['IP', 'PORT', '匿名度', '类型', '位置', '响应速度', '最后验证时间']) # 写入表头信息12 writer.writerows(ipinfo) # 写入单个页面匹配信息
通过上述两个函数，我们已经能够实现对某个页面信息的爬取和保存，下面只需要遍历每一页的url地址就可以爬取所有页面的免费代理IP信息，代码如下：
1if __name__ == '__main__':2 for page in range(3482):3 url = 'https://www.kuaidaili.com/free/inha/{}/'.format(str(page+1))4 ipinfo = get_ipinfo(url)5 write_ipinfo(ipinfo, page+1)6 time.sleep(1)
好了，利用上述程序，我们已经实现了免费代理IP的爬取工作，共计爬取代理IP信息 5万多条，下面是爬取的部分内容：
