最近在使用爬虫爬取数据时，经常会返回403代码，大致意思是该IP访问过于频繁，被限制访问。限制IP访问网站最常用的反爬手段了，其实破解也很容易，就是在爬取网站是使用代理即可，这个IP被限制了，就使用其他的IP。对于高大上的公司来说，他们基本都使用收费的代理，基本不会有什么问题，比较稳定。像我这样的矮矬穷，肯定是用不起收费的代理。一般都是使用国内免费的代理，网上也有很多提供免费的代理。
很多人都是从网上爬取一批免费的代理IP，存放在存储媒介中，例如excel文件或者数据库。定时维护代理，保证代理可用。这个做法有个缺点，有些机器上并没有装有excel或者mysql、redis等数据库，这就导致了的代理池无法正常使用。
我之前是做java开发的，经常会把一些常用的数据放在ArrayList中，使用起来非常方便，效率高，因此借鉴之前在java方面的经验，将代理IP爬取下来存放在list列表中中，将list列表当做一个代理池，经常维护这个池里的代理。
我经常爬取免费代理的网站xicidaili swei360等，这些免费的代理足够我使用了，能够应付大多数的爬虫工作。爬取过程需要用到requests和pyquery库，没有安装的同学自行安装。
首先介绍下爬取xicidaili网站的过程， 要先定义一个方法用于抓取xicidaili网站的，参数有两个，一个是url，另外一个是要爬取代理网页的页数，也就是要爬几页，方法如下：
def get_xicidaili_proxy(url,page): for i in range(1,page): headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"} response = requests.get(url + str(i), headers=headers) html = response.text doc = pq(html) ip_list = doc(#ip_list)(tr:gt(0)).items() for item in ip_list: ip = item.find(td:nth-child(2)).text() port = item.find(td:nth-child(3)).text() http_type = item.find(td:nth-child(6)).text() proxy_ip = http_type + "://" + ip + ":" + port if http_type == HTTP: http_proxy_pool.append(proxy_ip) elif http_type == HTTPS: https_proxy_pool.append(proxy_ip) # print(proxy_ip)定义了http_proxy_pool和https_proxy_pool两个list变量，用于存储http类型和https类型的代理。 使用PyQuery根据css伪选择器提取出ip，端口和http类型信息，并按照http:// + ip+port的方式组合成一个字符串，存储在已经定义好的http_proxy_tool和https_proxy_pool变量中。
爬取swei360网站代理的方法就不贴出来了，原理和爬取xicidaili网站是一样的。
一个代理在使用之前要判断是否可用，我们使用request的get请求的返回代码判断代理是否可用，返回200，就说明代理可用，返回其他的代码就表示代理不可用，代码如下：
def detect_proxy(test_url,http_type,proxy): headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"} proxy={ http_type : proxy } try: response = requests.get(test_url,proxies=proxy,headers=headers) if response.status_code in [200]: print(代理可用,proxy) return True else: print(代理不可用, proxy); delete_proxy(http_type,proxy) return False except(requests.exceptions.ProxyError,RequestException): print(代理不可用, proxy) delete_proxy(http_type, proxy) return False定义了detect_proxy方法用于检测代理是否可用，有三个参数，分别是测试网址，代理类型(http和https)和代理IP。当requests的请求返回200代码时，就表示该代理可用，返回True，否则就是不可用，返回False。当遇到request异常或者其他的错误也认为代理不可用，返回False。对于不可用的代理，要从代理池中删除。
从代理池中获取代理时，我们使用的是从代理池中随机返回一个代理，这样就避免经常使用一个代理，从而遭到拒绝访问。代码如下：
def get_https_proxy(): proxy_ip = random.choice(https_proxy_pool) return proxy_ip def get_http_proxy(): proxy_ip = random.choice(http_proxy_pool) return proxy_ip为了保证代理的可用，当检测到一个代理不可用时，要及时的清理掉。就是从http_proxy_pool和https_proxy_pool列表中删除。
一个简单的爬虫代理池已经搭建好,总结下爬虫代理池搭建的过程： - 从免费的代理网站上爬取代理信息，存放在列表中。 - 提供从代理池中随机获取代理的方法。http类型的网站要使用http类型的代理，https类型的网站要使用https类型的代理，因此分别提供获取http和https类型代理的方法。 - 提供检测代理是否可用的方法，代理可用返回True，不可用返回False。 - 提供删除代理的方法。
这个代理池其实相当的简单，有一个弊端就是在检测代理是否可用时，如果返回的不是200代码就认为代理不可用，返回其他代码的情况有很多，例如网络不可用、测试网站不可访问等。比较好的做法是给每个代理设置一个分值，例如10分，如果检测到不可用就减1，当分数为0时，就确定该代理不可用，直接从代理池中移除。检测到代理可用，就将分数设为10分。这种做法给每个检测到不可用代理一个改邪归正的机会，不至于一刀切的抛弃掉。
完整代码请加我的，回复"代理"获取。
本文首发于我的微信："python_ai_bigdata"
一起学爬虫--一步一步打造爬虫代理池mp...com/s?__biz=MzI4NzAwNDIxMw==&mid=&idx=1&sn=cbbdc78ddaf061e&chksm=f3f367ebc484eefdcd7356f4ff2a48909d23834bf884ab73adf27ea4fe8cb6591&token=&lang=zh_CN#rd