如何通过筛选高质量爬虫IP提升爬虫效率？网站首页 技术杂谈

如何通过筛选高质量爬虫IP提升爬虫效率？

Python无霸哥 2023-06-25 16:00:02

简介如何通过筛选高质量爬虫IP提升爬虫效率？

前言

对于做数据抓取的技术员来说，如何稳定高效的爬取数据ip库池起到决定性作用，对于爬虫ip池的维护，可以从以下几个方面入手：

一、验证爬虫ip的可用性

可以通过requests库向目标网站发送请求，判断爬虫ip是否能够成功返回响应。如果返回成功，则说明爬虫ip可用，否则说明爬虫ip已失效。可以在代码中设置超时时间，避免长时间等待无响应的爬虫ip。

import requests
def check_proxy(proxy):
    try:
        response = requests.get(url, proxies=proxy, timeout=3)
        if response.status_code == 200:
            return Trueexcept:
        passreturn False

二、更新爬虫ip池

可以通过定期爬取爬虫ip网站或者购买付费爬虫ip服务来获取新的爬虫ip。可以使用requests库向爬虫ip网站发送请求，获取HTML页面，并使用BeautifulSoup库解析HTML页面，从而获取爬虫ip信息。通过一定的筛选规则，可以将新获取的爬虫ip加入到自有库池中。

import requests
from bs4 import BeautifulSoup
def get_proxies():
    url = 'http://jshk.com.cn/'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, 'html.parser')
    table = soup.find('table', {'id': 'ip_list'})
    tr_list = table.find_all('tr')
    proxies = []
    for tr in tr_list[1:]:
        td_list = tr.find_all('td')
        ip = td_list[1].text
        port = td_list[2].text
        protocol = td_list[5].text.lower()
        proxy = '{}://{}:{}'.format(protocol, ip, port)
        proxies.append(proxy)
    return proxies

三、维护爬虫ip的质量

可以通过一些指标来衡量爬虫ip的质量，比如连接速度、响应时间、访问成功率等。可以定时对爬虫ip进行评估，筛选出质量较好的IP，并从爬虫ip池中删除质量较差的IP。

import requests
from multiprocessing import Pool
from functools import partial
def check_proxy_quality(proxy):
    try:
        response = requests.get(url, proxies=proxy, timeout=3)
        if response.status_code == 200:
            return True, response.elapsed.total_seconds()
    except:
        passreturn False, Nonedef evaluate_proxies(proxies):
    pool = Pool(processes=8)
    results = pool.map(partial(check_proxy_quality), proxies)
    pool.close()
    pool.join()
    quality_proxies = []
    for proxy, result in zip(proxies, results):
        is_valid, response_time = result
        if is_valid:
            quality_proxies.append((proxy, response_time))
    return quality_proxies

四、监控爬虫ip的使用情况

对于监控爬虫ip的使用情况，一种比较简单的方法是记录每个爬虫ip的使用次数和成功率，以便及时发现哪些爬虫ip不再可用或者质量较差。

可以使用Python内置的shelve模块，将爬虫ip的使用情况保存在一个本地文件中。shelve模块可以提供类似字典的数据存储方式，方便快捷地读取和写入数据。

import shelve
class ProxyManager:
    def __init__(self, filename='proxies.db'):
        self.filename = filename
        self.proxies = shelve.open(filename, writeback=True)
        if not self.proxies.get('used_proxies'):
            self.proxies['used_proxies'] = {}
    def mark_as_used(self, proxy):
        if proxy in self.proxies:
            self.proxies[proxy]['used_times'] += 1
            self.proxies[proxy]['success_rate'] = self.proxies[proxy]['success_times'] / self.proxies[proxy]['used_times']
        else:
            self.proxies[proxy] = {'used_times': 1, 'success_times': 0, 'success_rate': 0}
        self.proxies['used_proxies'][proxy] = True
    def mark_as_success(self, proxy):
        if proxy in self.proxies:
            self.proxies[proxy]['success_times'] += 1
            self.proxies[proxy]['success_rate'] = self.proxies[proxy]['success_times'] / self.proxies[proxy]['used_times']
        else:
            self.proxies[proxy] = {'used_times': 1, 'success_times': 1, 'success_rate': 1}
        self.proxies['used_proxies'][proxy] = True
    def is_used(self, proxy):
        return self.proxies['used_proxies'].get(proxy)
    def close(self):
        self.proxies.close()

在使用爬虫ip进行网络请求时，可以先检查该爬虫ip是否已被使用过。如果该爬虫ip已被使用过，则不再使用该爬虫ip。如果该爬虫ip未被使用过，则使用该爬虫ip进行网络请求，并在请求成功或失败后，更新该爬虫ip的使用情况。

def get_page(url, proxy_manager):
    for i in range(3):
        proxy = get_proxy(proxy_manager)
        if proxy:
            try:
                response = requests.get(url, proxies={'http': proxy, 'https': proxy}, timeout=3)
                if response.status_code == 200:
                    proxy_manager.mark_as_success(proxy)
                    return response.text
            except:
                pass
            proxy_manager.mark_as_used(proxy)
    return None
def get_proxy(proxy_manager):
    proxies = list(proxy_manager.proxies.keys())
    for proxy in proxies:
        if not proxy_manager.is_used(proxy):
            return proxy
    return None