在前面我们介绍了多种请求库,如 Requests、Urllib、Selenium 等。我们接下来首先贴近实战,了解一下代理怎么使用,为后面了解代理池、ADSL 拨号代理的使用打下基础。
下面我们来梳理一下这些库的代理的设置方法。
1. 获取代理
做测试之前,我们需要先获取一个可用代理。搜索引擎搜索 “代理” 关键字,就可以看到许多代理服务网站,网站上会有很多免费代理,比如西刺:http://www.xicidaili.com/。但是这些免费代理大多数情况下都是不好用的,所以比较靠谱的方法是购买付费代理。付费代理在很多网站上都有售卖,数量不用多,稳定可用即可,我们可以自行选购。
如果本机有相关代理软件的话,软件一般会在本机创建 HTTP 或 SOCKS 代理服务,本机直接使用此代理也可以。
在这里,我的本机安装了一部代理软件,它会在本地 9743 端口上创建 HTTP 代理服务,即代理为 127.0.0.1:9743,另外还会在 9742 端口创建 SOCKS 代理服务,即代理为 127.0.0.1:9742。我只要设置了这个代理,就可以成功将本机 IP 切换到代理软件连接的服务器的 IP 了。
本章下面的示例里,我使用上述代理来演示其设置方法,你也可以自行替换成自己的可用代理。设置代理后测试的网址是:http://httpbin.org/get,我们访问该网址可以得到请求的相关信息,其中 origin 字段就是客户端的 IP,我们可以根据它来判断代理是否设置成功,即是否成功伪装了 IP。
2. urllib
首先我们以最基础的 urllib 为例,来看一下代理的设置方法,代码如下:
Copy 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)
运行结果如下:
Copy { "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"
}
这里我们需要借助 ProxyHandler 设置代理,参数是字典类型,键名为协议类型,键值是代理。注意,此处代理前面需要加上协议,即 http 或者 https。当请求的链接是 http 协议的时候,ProxyHandler 会调用 http 代理。当请求的链接是 https 协议的时候,会调用 https 代理。此处生效的代理是:http://127.0.0.1:9743。
创建完 ProxyHandler 对象之后,我们需要利用 build_opener 方法传入该对象来创建一个 Opener,这样就相当于此 Opener 已经设置好代理了。接下来直接调用 Opener 对象的 open 方法,即可访问我们所想要的链接。
运行输出结果是一个 JSON,它有一个字段 origin,标明了客户端的 IP。验证一下,此处的 IP 确实为代理的 IP,并不是真实的 IP。这样我们就成功设置好代理,并可以隐藏真实 IP 了。
如果遇到需要认证的代理,我们可以用如下的方法设置:
Copy 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)
这里改变的只是 proxy 变量,只需要在代理前面加入代理认证的用户名密码即可,其中 username 就是用户名,password 为密码,例如 username 为 foo,密码为 bar,那么代理就是 foo:bar@127.0.0.1:9743。
如果代理是 SOCKS5 类型,那么可以用如下方式设置代理:
Copy 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)
此处需要一个 socks 模块,可以通过如下命令安装:
本地我有一个 SOCKS5 代理,运行在 9742 端口,运行成功之后和上文 HTTP 代理输出结果是一样的:
Copy { "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"
}
结果的 origin 字段同样为代理的 IP。现在,代理设置成功。
3. requests
对于 requests 来说,代理设置更加简单,我们只需要传入 proxies 参数即可。
还是以上例中的代理为例,我们来看下 requests 的代理的设置:
Copy 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)
运行结果:
Copy { "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"
}
可以发现,requests 的代理设置比 urllib 简单很多,它只需要构造代理字典,然后通过 proxies 参数即可,而不需要重新构建 Opener。
其运行结果的 origin 也是代理的 IP,这证明代理已经设置成功。
如果代理需要认证,同样在代理的前面加上用户名密码即可,代理的写法就变成如下所示:
Copy proxy = 'username:password@127.0.0.1:9743'
和 urllib 一样,这里只需要将 username 和 password 替换即可。
如果需要使用 SOCKS5 代理,则可以使用如下方式来设置:
Copy 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)
在这里,我们需要额外安装一个模块,这个模块叫作requests[socks]
,命令如下所示:
Copy pip3 install "requests[socks]"
运行结果是完全相同的:
Copy { "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,还有一种设置方式,和 urllib 中的方法相同,使用 socks 模块,也需要像上文一样安装 socks 库。这种设置方法如下所示:
Copy 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)
使用这种方法也可以设置 SOCKS5 代理,运行结果完全相同。相比第一种方法,此方法是全局设置。我们可以在不同情况下选用不同的方法。
4. Selenium
Selenium 同样也可以设置代理,包括两种方式:一种是有界面浏览器,以 Chrome 为例;另一种是无界面浏览器,以 PhantomJS 为例。
Chrome
对于 Chrome 来说,用 Selenium 设置代理的方法也非常简单,设置方法如下所示:
Copy 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' )
在这里我们通过 ChromeOptions 来设置代理,在创建 Chrome 对象的时候用 chrome_options 参数传递即可。
运行代码之后便会弹出一个 Chrome 浏览器,我们访问目标链接之后输出结果如下所示:
Copy { "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"
}
代理设置成功,origin 同样为代理 IP 的地址。
如果代理是认证代理,则设置方法相对比较麻烦,设置方法如下所示:
Copy 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' )
这里需要在本地创建一个 manifest.json 配置文件和 background.js 脚本来设置认证代理。运行代码之后本地会生成一个 proxy_auth_plugin.zip 文件来保存当前配置。
运行结果和上例一致,origin 同样为代理 IP。
PhantomJS
对于 PhantomJS 来说,代理设置方法可以借助 service_args 参数,也就是命令行参数。代理设置方法如下所示:
Copy 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)
我们只需要使用 service_args 参数,将命令行的一些参数定义为列表,在初始化的时候传递给 PhantomJS 对象即可。
运行结果如下所示:
Copy { "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"
}
设置代理成功,运行结果的 origin 同样为代理的 IP。
如果需要认证,那么只需要再加入 --proxy-auth 选项即可,这样参数就改为下面这样:
Copy service_args = [
'--proxy=127.0.0.1:9743' ,
'--proxy-type=http' ,
'--proxy-auth=username:password'
]
将 username 和 password 替换为认证所需的用户名和密码即可。
5. 本节代码
本节代码地址为:https://github.com/Python3WebSpider/ProxySettings 。
6. 结语
本节介绍了前文所讲的请求库的代理设置方法,后面我们会使用这些方法来搭建代理池和爬取网站,可让读者进一步加深印象。