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
在做测试之前,我们需要先获取一个可用代理,搜索引擎搜索 “代理” 关键字,就可以看到有许多代理服务网站,在网站上会有很多免费代理,比如西刺:http://www.xicidaili.com/ ,这里列出了很多免费代理,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,很多网站都有售卖,数量不用多,买一个稳定可用的即可,可以自行选购。 或者如果我们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,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,也就是代理为 127.0.0.1:9743,另外还会在 9742 端口创建 SOCKS 代理服务,也就是代理为 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。 所以本节下面的示例里我使用上述代理来演示其设置方法,你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 ,访问该站点可以得到请求的一些相关信息,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,也就是是否成功伪装了 IP。 下面我们来看下各个库的代理设置方式。
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:
1 2 3 4 5 6 7 8 9 10 11 12 13 14
from urllib.error import URLErrorfrom urllib.request import ProxyHandler, build_openerproxy = '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:
1 2 3 4 5 6 7 8 9 10 11
{ "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" }
在这里我们需要借助于 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,此处设置了 http 和 https 两种代理,当我们请求的链接是 http 协议的时候,它会调用 http 代理,当请求的链接是 https 协议的时候,它会调用 https 代理,所以此处生效的代理是: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,接下来直接调用它的 open () 方法即可使用此代理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,此处的 IP 验证一下,确实为代理的 IP,而并不是我们真实的 IP,所以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:
1 2 3 4 5 6 7 8 9 10 11 12 13 14
from urllib.error import URLErrorfrom urllib.request import ProxyHandler, build_openerproxy = '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:
1 2 3 4 5 6 7 8 9 10 11 12
import socks import socket from urllib import requestfrom urllib.error import URLErrorsocks.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:
1 2 3 4 5 6 7 8 9 10 11
{ "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,设置代理成功。
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:
1 2 3 4 5 6 7 8 9 10 11 12
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:
1 2 3 4 5 6 7 8 9 10 11 12
{ "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,只需要构造代理字典即可,然后通过 proxies 参数即可设置代理,不需要重新构建 Opener。 可以发现其运行结果的 origin 也是代理的 IP,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:
1
proxy = 'username:password@127.0.0.1:9743'
和 Urllib 一样,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:
1 2 3 4 5 6 7 8 9 10 11 12
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)
在这里需要额外安装一个 Socks 模块,命令如下:
1
pip3 install "requests[socks]"
运行结果是完全相同的:
1 2 3 4 5 6 7 8 9 10 11 12
{ "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该库,设置方法如下:
1 2 3 4 5 6 7 8 9 10 11
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)
这样也可以设置 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,不同情况可以选用不同的方法。
4. Selenium
Selenium 同样也可以设置代理,在这里分两种介绍,一个是有界面浏览器,以 Chrome 为例介绍,另一种是无界面浏览器,以 PhantomJS 为例介绍。
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:
1 2 3 4 5 6 7
from selenium import webdriverproxy = '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 对象的时候通过 chrome_options 参数传递即可。 这样在运行之后便会弹出一个 Chrome 浏览器,访问目标链接之后输出结果如下:
1 2 3 4 5 6 7 8 9 10 11 12 13 14
{ "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 同样为代理 IP 的地址,代理设置成功。 如果代理是认证代理,则设置方法相对比较麻烦,方法如下:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionsimport 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,运行之后本地会生成一个 proxy_auth_plugin.zip 文件保存配置。 运行结果和上例一致,origin 同样为代理 IP。
PhantomJS
对于 PhantomJS,代理设置方法可以借助于 service_args 参数,也就是命令行参数,代理设置方法如下:
1 2 3 4 5 6 7 8 9
from selenium import webdriverservice_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)
在这里我们只需要使用 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即可。 运行结果:
1 2 3 4 5 6 7 8 9 10 11 12 13
{ "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" }
运行结果的 origin 同样为代理的 IP,设置代理成功。 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:
1 2 3 4 5
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
本节介绍了前文所介绍的请求库的代理设置方法,稍作了解即可,后面我们会使用这些方法来搭建代理池和爬取网站,进一步加深印象。