9.1 代理的設定

在前面我們介紹了多種請求庫，如 Requests、Urllib、Selenium 等。我們接下來首先貼近實戰，瞭解一下代理怎麼使用，為後面瞭解代理池、ADSL 撥號代理的使用打下基礎。

下面我們來梳理一下這些庫的代理的設定方法。

1. 獲取代理

做測試之前，我們需要先獲取一個可用代理。搜尋引擎搜尋 “代理” 關鍵字，就可以看到許多代理服務網站，網站上會有很多免費代理，比如西刺：http://www.xicidaili.com/。但是這些免費代理大多數情況下都是不好用的，所以比較靠譜的方法是購買付費代理。付費代理在很多網站上都有售賣，數量不用多，穩定可用即可，我們可以自行選購。

如果本機有相關代理軟體的話，軟體一般會在本機建立 HTTP 或 SOCKS 代理服務，本機直接使用此代理也可以。

在這裡，我的本機安裝了一部代理軟體，它會在本地 9743 埠上建立 HTTP 代理服務，即代理為 127.0.0.1:9743，另外還會在 9742 埠建立 SOCKS 代理服務，即代理為 127.0.0.1:9742。我只要設定了這個代理，就可以成功將本機 IP 切換到代理軟體連線的伺服器的 IP 了。

本章下面的示例裡，我使用上述代理來演示其設定方法，你也可以自行替換成自己的可用代理。設定代理後測試的網址是：http://httpbin.org/get，我們訪問該網址可以得到請求的相關資訊，其中 origin 欄位就是客戶端的 IP，我們可以根據它來判斷代理是否設定成功，即是否成功偽裝了 IP。

2. urllib

首先我們以最基礎的 urllib 為例，來看一下代理的設定方法，程式碼如下：

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)
 

執行結果如下：

{"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"
}

這裡我們需要藉助 ProxyHandler 設定代理，引數是字典型別，鍵名為協議型別，鍵值是代理。注意，此處代理前面需要加上協議，即 http 或者 https。當請求的連結是 http 協議的時候，ProxyHandler 會呼叫 http 代理。當請求的連結是 https 協議的時候，會呼叫 https 代理。此處生效的代理是：http://127.0.0.1:9743。

建立完 ProxyHandler 物件之後，我們需要利用 build_opener 方法傳入該物件來建立一個 Opener，這樣就相當於此 Opener 已經設定好代理了。接下來直接呼叫 Opener 物件的 open 方法，即可訪問我們所想要的連結。

執行輸出結果是一個 JSON，它有一個欄位 origin，標明瞭客戶端的 IP。驗證一下，此處的 IP 確實為代理的 IP，並不是真實的 IP。這樣我們就成功設定好代理，並可以隱藏真實 IP 了。

如果遇到需要認證的代理，我們可以用如下的方法設定：

from urllib.error import URLError
from urllib.request import ProxyHandler, build_opener

proxy = 'username:[email protected]: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)

這裡改變的只是 proxy 變數，只需要在代理前面加入代理認證的使用者名稱密碼即可，其中 username 就是使用者名稱，password 為密碼，例如 username 為 foo，密碼為 bar，那麼代理就是 foo:[email protected]:9743。

如果代理是 SOCKS5 型別，那麼可以用如下方式設定代理：

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)

此處需要一個 socks 模組，可以通過如下命令安裝：

pip3 install PySocks

本地我有一個 SOCKS5 代理，執行在 9742 埠，執行成功之後和上文 HTTP 代理輸出結果是一樣的：

{"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"
}

結果的 origin 欄位同樣為代理的 IP。現在，代理設定成功。

3. requests

對於 requests 來說，代理設定更加簡單，我們只需要傳入 proxies 引數即可。

還是以上例中的代理為例，我們來看下 requests 的代理的設定：

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)

執行結果：

{"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"
}

可以發現，requests 的代理設定比 urllib 簡單很多，它只需要構造代理字典，然後通過 proxies 引數即可，而不需要重新構建 Opener。

其執行結果的 origin 也是代理的 IP，這證明代理已經設定成功。

如果代理需要認證，同樣在代理的前面加上使用者名稱密碼即可，代理的寫法就變成如下所示：

proxy = 'username:[email protected]:9743'

和 urllib 一樣，這裡只需要將 username 和 password 替換即可。

如果需要使用 SOCKS5 代理，則可以使用如下方式來設定：

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)

在這裡，我們需要額外安裝一個模組，這個模組叫作requests[socks]，命令如下所示：

pip3 install "requests[socks]"

執行結果是完全相同的：

{"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，還有一種設定方式，和 urllib 中的方法相同，使用 socks 模組，也需要像上文一樣安裝 socks 庫。這種設定方法如下所示：

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)

使用這種方法也可以設定 SOCKS5 代理，執行結果完全相同。相比第一種方法，此方法是全域性設定。我們可以在不同情況下選用不同的方法。

4. Selenium

Selenium 同樣也可以設定代理，包括兩種方式：一種是有介面瀏覽器，以 Chrome 為例；另一種是無介面瀏覽器，以 PhantomJS 為例。

Chrome

對於 Chrome 來說，用 Selenium 設定代理的方法也非常簡單，設定方法如下所示：

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')

在這裡我們通過 ChromeOptions 來設定代理，在建立 Chrome 物件的時候用 chrome_options 引數傳遞即可。

執行程式碼之後便會彈出一個 Chrome 瀏覽器，我們訪問目標連結之後輸出結果如下所示：

{"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"
}

代理設定成功，origin 同樣為代理 IP 的地址。

如果代理是認證代理，則設定方法相對比較麻煩，設定方法如下所示：

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')

這裡需要在本地建立一個 manifest.json 配置檔案和 background.js 指令碼來設定認證代理。執行程式碼之後本地會生成一個 proxy_auth_plugin.zip 檔案來儲存當前配置。

執行結果和上例一致，origin 同樣為代理 IP。

PhantomJS

對於 PhantomJS 來說，代理設定方法可以藉助 service_args 引數，也就是命令列引數。代理設定方法如下所示：

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)

我們只需要使用 service_args 引數，將命令列的一些引數定義為列表，在初始化的時候傳遞給 PhantomJS 物件即可。

執行結果如下所示：

{"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"
}

設定代理成功，執行結果的 origin 同樣為代理的 IP。

如果需要認證，那麼只需要再加入 --proxy-auth 選項即可，這樣引數就改為下面這樣：

service_args = [
    '--proxy=127.0.0.1:9743',
    '--proxy-type=http',
    '--proxy-auth=username:password'
]

將 username 和 password 替換為認證所需的使用者名稱和密碼即可。

5. 本節程式碼

本節程式碼地址為：https://github.com/Python3WebSpider/ProxySettings。

6. 結語

本節介紹了前文所講的請求庫的代理設定方法，後面我們會使用這些方法來搭建代理池和爬取網站，可讓讀者進一步加深印象。