東小珂

公告

爬蟲中代理的設置問題介紹

下面我們來梳理一下這些庫的代理的設置方法。

1.獲取代理

在做測試之前，我們需要先獲取一個可用代理，搜索引擎搜索“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/，這里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件的話，軟件一般會在本機創建 HTTP 或 SOCKS 代理服務，直接使用此代理也可以。

在這里我的本機安裝了一部代理軟件，它會在本地 9743 端口上創建 HTTP 代理服務，也就是代理為 127.0.0.1:9743，另外還會在 9742 端口創建 SOCKS 代理服務，也就是代理為 127.0.0.1:9742，我只要設置了這個代理就可以成功將本機 IP 切換到代理軟件連接的服務器的 IP了。

所以本節下面的示例里我使用上述代理來演示其設置方法，你可以自行替換成自己的可用代理，設置代理后測試的網址是：http://httpbin.org/get，訪問該站點可以得到請求的一些相關信息，其中 origin 字段就是客戶端的 IP，我們可以根據它來判斷代理是否設置成功，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置方式。

2. Urllib

首先我們以最基礎的 Urllib 為例，來看一下代理的設置方法，代碼如下：

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)

運行結果如下：

{
  "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"
}

在這里我們需要借助于 ProxyHandler 設置代理，參數是字典類型，鍵名為協議類型，鍵值是代理，注意此處代理前面需要加上協議，即 http 或者 https，此處設置了 http 和 https 兩種代理，當我們請求的鏈接是 http 協議的時候，它會調用 http 代理，當請求的鏈接是 https 協議的時候，它會調用https代理，所以此處生效的代理是：http://127.0.0.1:9743。

創建完 ProxyHandler 對象之后，我們需要利用 build_opener() 方法傳入該對象來創建一個 Opener，這樣就相當于此 Opener 已經設置好代理了，接下來直接調用它的 open() 方法即可使用此代理訪問我們所想要的鏈接。

運行輸出結果是一個 Json，它有一個字段 origin，標明了客戶端的 IP，此處的 IP 驗證一下，確實為代理的 IP，而并不是我們真實的 IP，所以這樣我們就成功設置好代理，并可以隱藏真實 IP 了。

如果遇到需要認證的代理，我們可以用如下的方法設置：

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy = 'username:password@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)

這里改變的只是 proxy 變量，只需要在代理前面加入代理認證的用戶名密碼即可，其中 username 就是用戶名，password 為密碼，例如 username 為foo，密碼為 bar，那么代理就是 foo:bar@127.0.0.1:9743。

如果代理是 SOCKS5 類型，那么可以用如下方式設置代理：

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 模塊，可以通過如下命令安裝：

pip3 install PySocks

本地我有一個 SOCKS5 代理，運行在 9742 端口，運行成功之后和上文 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 字段同樣為代理的 IP，設置代理成功。

3. Requests

對于 Requests 來說，代理設置更加簡單，我們只需要傳入 proxies 參數即可。

還是以上例中的代理為例，我們來看下 Requests 的代理的設置：

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)

運行結果：

{
  "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 的代理設置比 Urllib 簡單很多，只需要構造代理字典即可，然后通過 proxies 參數即可設置代理，不需要重新構建 Opener。

可以發現其運行結果的 origin 也是代理的 IP，證明代理已經設置成功。

如果代理需要認證，同樣在代理的前面加上用戶名密碼即可，代理的寫法就變成：

proxy = 'username:password@127.0.0.1:9743'

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)

在這里需要額外安裝一個 Socks 模塊，命令如下：

pip3 install "requests[socks]"

運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"
}

另外還有一種設置方式，和 Urllib 中的方法相同，使用 socks 模塊，也需要像上文一樣安裝該庫，設置方法如下：

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)

這樣也可以設置 SOCKS5 代理，運行結果完全相同，相比第一種方法，此方法是全局設置，不同情況可以選用不同的方法。

4. Selenium

Selenium 同樣也可以設置代理，在這里分兩種介紹，一個是有界面瀏覽器，以 Chrome 為例介紹，另一種是無界面瀏覽器，以 PhantomJS 為例介紹。

Chrome

對于 Chrome 來說，用 Selenium 設置代理的方法也非常簡單，設置方法如下：

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')

在這里我們通過 ChromeOptions 來設置代理，在創建 Chrome 對象的時候通過 chrome_options 參數傳遞即可。

這樣在運行之后便會彈出一個 Chrome 瀏覽器，訪問目標鏈接之后輸出結果如下：

{
  "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，代理設置成功。

如果代理是認證代理，則設置方法相對比較麻煩，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')

在這里需要在本地創建一個 manifest.json 配置文件和 background.js 腳本來設置認證代理，運行之后本地會生成一個 proxy_auth_plugin.zip 文件保存配置。

運行結果和上例一致，origin 同樣為代理 IP。

PhantomJS

對于 PhantomJS，代理設置方法可以借助于 service_args 參數，也就是命令行參數，代理設置方法如下：

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)

在這里我們只需要使用 service_args 參數，將命令行的一些參數定義為列表，在初始化的時候傳遞即可。

運行結果：

{
  "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"
}

運行結果的 origin 同樣為代理的 IP，設置代理成功。

如果需要認證，那么只需要再加入 --proxy-auth 選項即可，這樣參數就改為：

service_args = [
    '--proxy=127.0.0.1:9743',
    '--proxy-type=http',
    '--proxy-auth=username:password'
]

將 username 和 password 替換為認證所需的用戶名和密碼即可。

posted on 2017-11-10 11:37 東小珂閱讀(198) 評論(0) 收藏舉報

刷新頁面返回頂部