Python3爬虫：代理的设置

　　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：

　　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：

　　{

　　"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：

　　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：

　　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：

　　pip3 install PySocks

　　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：

　　{

　　"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：

　　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：

　　{

　　"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：

　　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：

　　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：

　　pip3 install "requests[socks]"

　　运行结果是完全相同的：

　　{

　　"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：

　　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：

　　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：

　　{

　　"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：

　　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",

　　"",

　　"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: [""]},

　　['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：

　　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：

　　{

　　"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：

　　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。