前言
写爬虫的小伙伴可能遇到过这种情况：
正当悠闲地喝着咖啡，满意地看着屏幕上的那一行行如流水般被爬下来的数据时，突然一个Error弹出，提示抓不到数据了...
然后你反复检查，确信自己代码莫得问题之后，发现居然连浏览器也无法正常访问网页了...
难道是网站被我爬瘫痪了？
才原来我的IP被网站给封了，拒绝了我的访问
这时只能用IP代理来应对禁IP反爬策略了，但是网上高速稳定的代理IP大多都收费，看了看皱皱的钱包后，一个大胆的想法冒出
我要白嫖！
啥是IP代理？假如你现在17岁未成年，理想一点的情况会是，你去商店买烟，老板告诉你未成年不能买烟，并拒绝了你的购买，这叫被服务器拒绝访问;
但是你不服气啊，于是你找来你20岁的哥哥，叫他去商店老板那帮你买包烟，然后再给你，这就叫IP代理。
ProxyBroker简介
ProxyBroker是一个开源软件，它从各种不同的IP代理网站中抓来公开的代理IP，并实时地检查代理IP的可用性，以供使用。
所以可以说ProxyBroker是一个集成了爬虫技术的开源软件。
ProxyBroker安装
你可以通过pip来安装ProxyBroker
也可以直接从Github下载最新版本的ProxyBroker
在终端使用ProxyBroker
安装成功后，你可以在终端中使用命令proxybroker
proxybroker主要有三个子命令
find子命令
find子命令用于查找并检查公开的代理IP，换言之它会列出所有经测试可用的代理IP
下列是find子命令的常用选项:
| 选项 | 作用 | 可选值 | 示例 |
|---|---|---|---|
| --types | 指定代理的类型 | HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25 | --types HTTP HTTPS |
| --lvl | 指定代理的匿名级别 | Transparent,Anonymous,High | --lvl High |
| --strict,-s | 严格保证代理的类型与匿名级别等于指定的值 | 只要加上就表示启用严格模式 | --strict |
| --countries COUNTRIES,-c COUNTRIES | 指定代理IP的所属国家 | US,CN... | -c CN |
| --limit LIMIT, -l LIMIT | 指定获取的条数 | 正整数即可 | -l 5 |
| --outfile OUTFILE, -o OUTFILE | 将找到的代理保存到文件中 | 文件路径 | --outfile ./proxies.txt |
| --format FORMAT, -f FORMAT | 指定输出的格式，默认值为default | default,json | -f json |
| --post | 用post请求检查IP的可用性，默认是用get方式 | 只要加上就表示启用post请求检查 | --post |
| --show-stats | 是否打印详细统计信息 | 只要加上就表示启用打印统计信息 | --show-stats |
比如查找10条HTTP代理
你可以将选项的示例值加上，自己尝试一下
grab子命令
grab子命令有点像find的简易版，它只进行查找，并不检查抓来IP的可用性
下列是grab子命令的所有选项:
| 选项 | 作用 | 可选值 | 示例 |
|---|---|---|---|
| --countries COUNTRIES,-c COUNTRIES | 指定代理IP的所属国家 | US,CN... | -c CN |
| --limit LIMIT, -l LIMIT | 指定获取的条数 | 正整数即可 | -l 5 |
| --outfile OUTFILE, -o OUTFILE | 将找到的代理保存到文件中 | 文件路径 | --outfile ./proxies.txt |
| --format FORMAT, -f FORMAT | 指定输出的格式，默认值为default | default,json | -f json |
| --show-stats | 是否打印详细统计信息 | 只要加上就表示启用打印统计信息 | --show-stats |
可以看到它有的选项，find子命令都有，所以它是find的阉割版
比如查找5条来自中国的代理，并将它保存至文件中
serve子命令
serve子命令用于搭建一个本地代理服务器，它可以分发你的请求至不同的IP代理中
下列是serve子命令的常用选项:
| 选项 | 作用 | 可选值 | 示例 |
|---|---|---|---|
| --host HOST | 指定服务器的地址，默认是127.0.0.1 | 你本机的IP | --host localhost |
| --port PORT | 指定服务器的端口，默认是8888 | 你本机可用的端口 | --port 5000 |
| --max-tries SRV_MAX_TRIES | 设置处理请求的最大重试次数 | 正整数 | --max-tries 3 |
| --min-req-proxy MIN_REQ_PROXY | 设置每个IP处理请求的最小次数 | 正整数 | --min-req-proxy 3 |
| --http-allowed-codes HTTP_ALLOWED_CODES | 设置允许代理返回的响应码 | 响应的状态码 | --http-allowed-codes 302 |
| --max-error-rate MAX_ERROR_RATE | 设置最大允许请求的异常率，例如0.5是50% | 0~1 | --max-error-rate 0.3 |
| --max-resp-time SECONDS | 设置响应的最大允许秒数，默认是8秒 | 秒数 | --max-resp-time 20 |
| --prefer-connect | 如果可以的话，是否使用CONNECT方法 | 只要加上就表示使用 | --prefer-connect |
| --backlog BACKLOG | 设置连接队列的最大值 | 正整数即可 | --backlog 10 |
| - | - | - | - |
| --types | 指定代理的类型 | HTTP,HTTPS,SOCKS4,SOCKS5,CONNECT:80,CONNECT:25 | --types HTTP HTTPS |
| --lvl | 指定代理的匿名级别 | Transparent,Anonymous,High | --lvl High |
| --strict,-s | 严格保证代理的类型与匿名级别等于指定的值 | 只要加上就表示启用严格模式 | --strict |
| --countries COUNTRIES,-c COUNTRIES | 指定代理IP的所属国家 | US,CN... | -c CN |
| --limit LIMIT, -l LIMIT | 指定代理池的工作IP条数 | 正整数即可 | -l 5 |
serve子命令搭建代理服务器，相当于把我们本机变成中间商再中间商
比如在地址为localhost，端口为5000，搭起高匿名代理服务器
然后先通过curl命令不使用代理访问一下http://httpbin.org/get这个地址，查看一下该网站显示我们的IP是多少
再使用curl命令通过我们刚搭起的代理服务器访问一下，看看网站显示的IP是否有变化
在代码中使用ProxyBroker
proxybroker serve子命令requests库使用代理
先serve搭起代理服务器
然后通过requests库设置代理
效果如下
scrapy库使用代理
还是先serve搭起代理服务器，代码还是和上面一样
scrapy startprojectscrapy genspiderproxy_spider_demohttpbin.org然后将下列代码粘贴至刚刚新建的爬虫中
scrapy crawl--nolog效果如下
python异步获取代理IP
如果不希望通过serve子命令，直接在python代码中使用代理IP，可以通过asyncio来异步获取代理IP
直接上代码
aiohttprequests总结
你可以利用ProxyBroker库来白嫖免费的IP代理，但是白嫖来的始终是有缺点的，不然也不会有人专门去卖IP代理了
白嫖来的IP有稳定性差、速度慢的缺点，所以土豪可以忽视本文...
