python爬虫：爬取代理IP（requests+Beautiful Soup）教程

戴儒锋 2016 年 7 月 24 日10:26:07 评论 13,010 views

在写python爬虫的时候，为防止对方发现爬虫IP和封停IP，那写爬虫的时候，就要用python去抓取一些代理IP，然后用这些代理IP不停地轮徇地爬取对方数据。在现实使用中，最好要隔段时间就去爬一次代理IP，并添加到代理IP库中，同时把不能使用的IP踢出IP库，每次爬求数据时，从代理IP库中随机（random .choice）获取一个IP。

脚本主要使用到requests模块和Beautiful Soup（bs4 ）模块

以下是爬取代理IP的简易脚本：

import re
from random import choice
import requests
import bs4
url = "http://www.xicidaili.com/nn"
headers = { "Accept":"text/html,application/xhtml+xml,application/xml;",
"Accept-Encoding":"gzip",
"Accept-Language":"zh-CN,zh;q=0.8",
"Referer":"http://www.xicidaili.com/",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.90 Safari/537.36"
}
r = requests.get(url,headers=headers)
soup = bs4.BeautifulSoup(r.text, 'html.parser')
data = soup.table.find_all("td",limit=40) # limit是获取td的个数，这里可以指定获取多少个IP
ip_compile= re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>')
port_compile = re.compile(r'<td>(\d+)</td>')
ip = re.findall(ip_compile,str(data))
port = re.findall(port_compile,str(data))
ips = [":".join(i) for i in zip(ip,port)]
print u"代理IP列表：{ip_list}".format(ip_list=ips)
print u"随机在代理IP列表中选一个IP：{ip}".format(ip=choice(ips))