一篇博文讓你瞭解,Python爬蟲庫的代理設定方法!
學爬蟲我們已經瞭解了多種請求庫,如 Requests、Urllib、Selenium 等。我們接下來首先貼近實戰,瞭解一下代理怎麼使用。
下面我們來梳理一下這些庫的代理的設定方法。
1.獲取代理
在做測試之前,我們需要先獲取一個可用代理,搜尋引擎搜尋“代理”關鍵字,就可以看到有許多代理服務網站,在網站上會有很多免費代理,比如西刺:http://www.xicidaili.com/,這裡列出了很多免費代理,但是這些免費代理大多數情況下都是不好用的,所以比較靠譜的方法是購買付費代理,很多網站都有售賣,數量不用多,買一個穩定可用的即可,可以自行選購。
或者如果我們本機有相關代理軟體的話,軟體一般會在本機建立 HTTP 或 SOCKS 代理服務,直接使用此代理也可以。
在這裡我的本機安裝了一部代理軟體,它會在本地 9743 埠上建立 HTTP 代理服務,也就是代理為 127.0.0.1:9743,另外還會在 9742 埠建立 SOCKS 代理服務,也就是代理為 127.0.0.1:9742,我只要設定了這個代理就可以成功將本機 IP 切換到代理軟體連線的伺服器的 IP了。
所以本節下面的示例裡我使用上述代理來演示其設定方法,你可以自行替換成自己的可用代理,設定代理後測試的網址是:http://httpbin.org/get,訪問該站點可以得到請求的一些相關資訊,其中 origin 欄位就是客戶端的 IP,我們可以根據它來判斷代理是否設定成功,也就是是否成功偽裝了IP。
下面我們來看下各個庫的代理設定方式。
2. Urllib
首先我們以最基礎的 Urllib 為例,來看一下代理的設定方法,程式碼如下:
from urllib.error import URLError from urllib.request import ProxyHandler, build_opener proxy = '127.0.0.1:9743' proxy_handler = ProxyHandler({ 'http': 'http://' + proxy, 'https': 'https://' + proxy }) opener = build_opener(proxy_handler) try: response = opener.open('http://httpbin.org/get') print(response.read().decode('utf-8')) except URLError as e: print(e.reason)
執行結果如下:
{ "args": {}, "headers": { "Accept-Encoding": "identity", "Connection": "close", "Host": "httpbin.org", "User-Agent": "Python-urllib/3.6" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
在這裡我們需要藉助於 ProxyHandler 設定代理,引數是字典型別,鍵名為協議型別,鍵值是代理,注意此處代理前面需要加上協議,即 http 或者 https,此處設定了 http 和 https 兩種代理,當我們請求的連結是 http 協議的時候,它會呼叫 http 代理,當請求的連結是 https 協議的時候,它會呼叫https代理,所以此處生效的代理是:http://127.0.0.1:9743。
建立完 ProxyHandler 物件之後,我們需要利用 build_opener() 方法傳入該物件來建立一個 Opener,這樣就相當於此 Opener 已經設定好代理了,接下來直接呼叫它的 open() 方法即可使用此代理訪問我們所想要的連結。
執行輸出結果是一個 Json,它有一個欄位 origin,標明瞭客戶端的 IP,此處的 IP 驗證一下,確實為代理的 IP,而並不是我們真實的 IP,所以這樣我們就成功設定好代理,並可以隱藏真實 IP 了。
如果遇到需要認證的代理,我們可以用如下的方法設定:
from urllib.error import URLError from urllib.request import ProxyHandler, build_opener proxy = 'username:[email protected]:9743' proxy_handler = ProxyHandler({ 'http': 'http://' + proxy, 'https': 'https://' + proxy }) opener = build_opener(proxy_handler) try: response = opener.open('http://httpbin.org/get') print(response.read().decode('utf-8')) except URLError as e: print(e.reason)
這裡改變的只是 proxy 變數,只需要在代理前面加入代理認證的使用者名稱密碼即可,其中 username 就是使用者名稱,password 為密碼,例如 username 為foo,密碼為 bar,那麼代理就是 foo:[email protected]:9743。
如果代理是 SOCKS5 型別,那麼可以用如下方式設定代理:
import socks import socket from urllib import request from urllib.error import URLError socks.set_default_proxy(socks.SOCKS5, '127.0.0.1', 9742) socket.socket = socks.socksocket try: response = request.urlopen('http://httpbin.org/get') print(response.read().decode('utf-8')) except URLError as e: print(e.reason)
此處需要一個 Socks 模組,可以通過如下命令安裝:
pip3 install PySocks
本地我有一個 SOCKS5 代理,執行在 9742 埠,執行成功之後和上文 HTTP 代理輸出結果是一樣的:
{ "args": {}, "headers": { "Accept-Encoding": "identity", "Connection": "close", "Host": "httpbin.org", "User-Agent": "Python-urllib/3.6" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
結果的 origin 欄位同樣為代理的 IP,設定代理成功。
3. Requests
對於 Requests 來說,代理設定更加簡單,我們只需要傳入 proxies 引數即可。
還是以上例中的代理為例,我們來看下 Requests 的代理的設定:
import requests proxy = '127.0.0.1:9743' proxies = { 'http': 'http://' + proxy, 'https': 'https://' + proxy, } try: response = requests.get('http://httpbin.org/get', proxies=proxies) print(response.text) except requests.exceptions.ConnectionError as e: print('Error', e.args)
執行結果:
{ "args": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Host": "httpbin.org", "User-Agent": "python-requests/2.18.1" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
可以發現 Requests 的代理設定比 Urllib 簡單很多,只需要構造代理字典即可,然後通過 proxies 引數即可設定代理,不需要重新構建 Opener。
可以發現其執行結果的 origin 也是代理的 IP,證明代理已經設定成功。
如果代理需要認證,同樣在代理的前面加上使用者名稱密碼即可,代理的寫法就變成:
proxy = 'username:[email protected]:9743'
和 Urllib 一樣,只需要將 username 和 password 替換即可。
如果需要使用 SOCKS5 代理,則可以使用如下方式:
import requests proxy = '127.0.0.1:9742' proxies = { 'http': 'socks5://' + proxy, 'https': 'socks5://' + proxy } try: response = requests.get('http://httpbin.org/get', proxies=proxies) print(response.text) except requests.exceptions.ConnectionError as e: print('Error', e.args)
在這裡需要額外安裝一個 Socks 模組,命令如下:
pip3 install "requests[socks]"
執行結果是完全相同的:
{ "args": {}, "headers": { "Accept": "*/*", "Accept-Encoding": "gzip, deflate", "Connection": "close", "Host": "httpbin.org", "User-Agent": "python-requests/2.18.1" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
另外還有一種設定方式,和 Urllib 中的方法相同,使用 socks 模組,也需要像上文一樣安裝該庫,設定方法如下:
import requests import socks import socket socks.set_default_proxy(socks.SOCKS5, '127.0.0.1', 9742) socket.socket = socks.socksocket try: response = requests.get('http://httpbin.org/get') print(response.text) except requests.exceptions.ConnectionError as e: print('Error', e.args)
這樣也可以設定 SOCKS5 代理,執行結果完全相同,相比第一種方法,此方法是全域性設定,不同情況可以選用不同的方法。
4. Selenium
Selenium 同樣也可以設定代理,在這裡分兩種介紹,一個是有介面瀏覽器,以 Chrome 為例介紹,另一種是無介面瀏覽器,以 PhantomJS 為例介紹。
Chrome
對於 Chrome 來說,用 Selenium 設定代理的方法也非常簡單,設定方法如下:
from selenium import webdriver proxy = '127.0.0.1:9743' chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--proxy-server=http://' + proxy) browser = webdriver.Chrome(chrome_options=chrome_options) browser.get('http://httpbin.org/get')
在這裡我們通過 ChromeOptions 來設定代理,在建立 Chrome 物件的時候通過 chrome_options 引數傳遞即可。
這樣在執行之後便會彈出一個 Chrome 瀏覽器,訪問目標連結之後輸出結果如下:
{ "args": {}, "headers": { "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8", "Accept-Encoding": "gzip, deflate", "Accept-Language": "zh-CN,zh;q=0.8", "Connection": "close", "Host": "httpbin.org", "Upgrade-Insecure-Requests": "1", "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
可以看到 origin 同樣為代理 IP 的地址,代理設定成功。
如果代理是認證代理,則設定方法相對比較麻煩,方法如下:
from selenium import webdriver from selenium.webdriver.chrome.options import Options import zipfile ip = '127.0.0.1' port = 9743 username = 'foo' password = 'bar' manifest_json = """ { "version": "1.0.0", "manifest_version": 2, "name": "Chrome Proxy", "permissions": [ "proxy", "tabs", "unlimitedStorage", "storage", "<all_urls>", "webRequest", "webRequestBlocking" ], "background": { "scripts": ["background.js"] } } """ background_js = """ var config = { mode: "fixed_servers", rules: { singleProxy: { scheme: "http", host: "%(ip)s", port: %(port)s } } } chrome.proxy.settings.set({value: config, scope: "regular"}, function() {}); function callbackFn(details) { return { authCredentials: { username: "%(username)s", password: "%(password)s" } } } chrome.webRequest.onAuthRequired.addListener( callbackFn, {urls: ["<all_urls>"]}, ['blocking'] ) """ % {'ip': ip, 'port': port, 'username': username, 'password': password} plugin_file = 'proxy_auth_plugin.zip' with zipfile.ZipFile(plugin_file, 'w') as zp: zp.writestr("manifest.json", manifest_json) zp.writestr("background.js", background_js) chrome_options = Options() chrome_options.add_argument("--start-maximized") chrome_options.add_extension(plugin_file) browser = webdriver.Chrome(chrome_options=chrome_options) browser.get('http://httpbin.org/get')
在這裡需要在本地建立一個 manifest.json 配置檔案和 background.js 指令碼來設定認證代理,執行之後本地會生成一個 proxy_auth_plugin.zip 檔案儲存配置。
執行結果和上例一致,origin 同樣為代理 IP。
PhantomJS
對於 PhantomJS,代理設定方法可以藉助於 service_args 引數,也就是命令列引數,代理設定方法如下:
from selenium import webdriver service_args = [ '--proxy=127.0.0.1:9743', '--proxy-type=http' ] browser = webdriver.PhantomJS(service_args=service_args) browser.get('http://httpbin.org/get') print(browser.page_source)
在這裡我們只需要使用 service_args 引數,將命令列的一些引數定義為列表,在初始化的時候傳遞即可。
執行結果:
{ "args": {}, "headers": { "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Accept-Encoding": "gzip, deflate", "Accept-Language": "zh-CN,en,*", "Connection": "close", "Host": "httpbin.org", "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X) AppleWebKit/538.1 (KHTML, like Gecko) PhantomJS/2.1.0 Safari/538.1" }, "origin": "106.185.45.153", "url": "http://httpbin.org/get" }
執行結果的 origin 同樣為代理的 IP,設定代理成功。
如果需要認證,那麼只需要再加入 --proxy-auth 選項即可,這樣引數就改為:
service_args = [ '--proxy=127.0.0.1:9743', '--proxy-type=http', '--proxy-auth=username:password' ]
將 username 和 password 替換為認證所需的使用者名稱和密碼即可。
5. 結語
本節介紹了前文所介紹的請求庫的代理設定方法,稍作了解即可,後面我們會使用這些方法來搭建代理池和爬取網站,進一步加深印象。