คำตอบด่วน
ฉันจะใช้พร็อกซีเรซิเดนเชียลสลับ IP ใน Python อย่างไร?
ส่ง http://USERNAME:[email protected]:7777 เป็นพร็อกซีสำหรับทั้ง http และ https ใน requests, เป็น proxy= ใน httpx 0.26+ หรือเป็น proxy= ต่อคำขอใน aiohttp พร็อกซีเรซิเดนเชียลCrawlRelay สลับบนการเชื่อมต่อใหม่ทุกครั้งและยังคงยึดติดกับ -session-<id> ในชื่อผู้ใช้ ค่าใช้จ่าย US$1.50 ต่อ 1 GB และ US$0.50/GB จาก 50 GB จ่ายด้วยคริปโต, ไม่ต้อง KYC
การตั้งค่า Python แบบย่อ
| requests | proxies={"http": url, "https": url}; retries ผ่าน urllib3 Retry |
|---|---|
| httpx | httpx.Client(proxy=url); อาร์กิวเมนต์ proxies= แบบเก่าถูกลบใน httpx 0.28 |
| aiohttp | session.get(url, proxy="http://USER:PASS@host:port"), ใส่ข้อมูลรับรองใน URL ของพร็อกซี |
| SOCKS5 | pip install "requests[socks]" หรือ httpx[socks], แล้ว socks5h:// ที่พอร์ต 7778 |
| IP ใหม่ทุกคำขอ | ปิด keep-alive: Connection: close, max_keepalive_connections=0 หรือ force_close=True |
| ใช้ IP เดียวต่อกระบวนการ | -session-<id>-ttl-<minutes> ในชื่อผู้ใช้, นานสูงสุด 30 นาที |
| โครงสร้าง URL ของพร็อกซี | ใช้ http:// เสมอสำหรับพอร์ต HTTP แม้แต่เว็บ HTTPS |
ฉันจะใช้พร็อกซีกับ requests ที่มี retries เคารพ Retry-After ได้อย่างไร?
ติดตั้ง HTTPAdapter ด้วย urllib3's Retry บน Session มันจะทำ retries กับข้อผิดพลาดการเชื่อมต่อและสถานะที่คุณระบุ, รอด้วยการหน่วงแบบ exponential และเคารพ header Retry-After ที่เว็บไซต์ส่งกับสถานะ 429 และ 503 ตั้ง trust_env = False เพื่อไม่ให้ตัวแปร HTTPS_PROXY ที่เหลือมาบันทึกพร็อกซีของคุณ
import os
import requests
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry
USER = os.environ.get("CRAWLRELAY_USER", "USERNAME-country-us")
PASSWORD = os.environ.get("CRAWLRELAY_PASSWORD", "PASSWORD")
PROXY = "http://%s:%[email protected]:7777" % (USER, PASSWORD)
retry = Retry(
total=4,
connect=2,
backoff_factor=1.0, # waits of 0 s, 2 s, 4 s, 8 s (Retry-After wins on 429/503)
status_forcelist=(429, 502, 503, 504),
allowed_methods=frozenset({"GET", "HEAD"}),
respect_retry_after_header=True,
)
session = requests.Session()
session.trust_env = False # ignore HTTP(S)_PROXY from the environment
session.mount("http://", HTTPAdapter(max_retries=retry))
session.mount("https://", HTTPAdapter(max_retries=retry))
session.proxies = {"http": PROXY, "https": PROXY}
session.headers["User-Agent"] = "ExampleCrawler/1.0 (+https://example.com/crawler-info)"
session.headers["Connection"] = "close" # new connection per request, so usually a new exit IP
r = session.get("https://api.ipify.org", timeout=(10, 30))
print(r.status_code, r.text)ฉันจะสร้าง URL พร็อกซีเฉพาะเป้าหมายได้อย่างปลอดภัยอย่างไร?
สร้างชื่อผู้ใช้ในฟังก์ชันเดียวและตรวจสอบความถูกต้อง งานพิมพ์ผิดในรหัสประเทศหรืออักขระที่ไม่ได้เข้ารหัสในรหัสผ่านจะสร้างข้อผิดพลาด 407 ที่ดูเหมือนปัญหาข้อมูลรับรอง ผู้ช่วยด้านล่างรักษาลำดับที่กำหนดไว้ (USERNAME-country-{cc}-state-{state}-city-{city}-zip-{zip}-asn-{asn}-session-{id}-ttl-{minutes}), ปฏิเสธคีย์ที่ไม่รู้จัก และเข้ารหัส URL ของข้อมูลรับรองทั้งสอง
import re
from urllib.parse import quote
ORDER = ("country", "state", "city", "zip", "asn", "session", "ttl")
VALUE = re.compile(r"^[a-z0-9_]+$")
def build_username(base, **params):
"""build_username("USERNAME", country="us", city="new_york", session="job1", ttl=30)"""
parts = [base]
for key in ORDER:
value = params.pop(key, None)
if value is None:
continue
value = str(value).lower()
if not VALUE.match(value):
raise ValueError("bad value for %s: %r" % (key, value))
if key == "ttl" and not 1 <= int(value) <= 30:
raise ValueError("ttl must be 1 to 30 minutes")
parts.append("%s-%s" % (key, value))
if params:
raise ValueError("unknown parameters: %s" % ", ".join(sorted(params)))
return "-".join(parts)
def proxy_url(username, password, socks=False):
scheme, port = ("socks5h", 7778) if socks else ("http", 7777)
return "%s://%s:%[email protected]:%d" % (
scheme, quote(username, safe=""), quote(password, safe=""), port)
print(proxy_url(build_username("USERNAME", country="us", state="ny", city="new_york", session="job1", ttl=20), "p@ss:word"))ฉันจะได้ IP ใหม่ในทุกคำขอด้วย httpx ได้อย่างไร?
ปิด keep-alive httpx จะรวบรวมการเชื่อมต่อโดยค่าเริ่มต้นและการเชื่อมต่อที่ใช้ซ้ำจะรักษา IP ไว้ ด้วย max_keepalive_connections=0, แต่ละคำขอจะเปิดการเชื่อมต่อใหม่ไปยังเกตเวย์และมักออกจากพร็อกซีเรซิเดนเชียล IP ต่างกัน num_bytes_downloaded ให้ข้อมูลไบต์ที่ได้รับในสาย ซึ่งใกล้เคียงกับการคิดค่าบริการทราฟฟิก
import httpx
PROXY = "http://USERNAME-country-gb:[email protected]:7777"
# No keep-alive: every request opens a new connection, so it usually gets a new exit IP
with httpx.Client(
proxy=PROXY,
timeout=httpx.Timeout(30.0, connect=10.0),
limits=httpx.Limits(max_keepalive_connections=0),
follow_redirects=True,
) as client:
for _ in range(3):
r = client.get("https://api.ipify.org")
print(r.text, r.num_bytes_downloaded, "bytes on the wire")ฉันจะขูดเว็บพร้อมกันด้วย asyncio โดยไม่ทำร้ายเว็บเดียวได้อย่างไร?
จำกัดการทำงานพร้อมกัน ต่อโฮสต์ ไม่ใช่แค่แบบทั่วโลก จำกัดแบบทั่วโลก 50 จะปล่อยคำขอ 50 คำขอไปยังเว็บเดียวหาก URL เรียงตามโดเมน semaphore ต่อชื่อโฮสต์จะรักษาแต่ละไซต์ในระดับที่เหมาะสมในขณะที่การขูดทั้งหมดยังเร็ว เริ่มต้นที่ 2 ถึง 4 ต่อโฮสต์และอ่าน คู่มือ concurrency ก่อนเพิ่มจำนวน
import asyncio
from collections import defaultdict
from urllib.parse import urlsplit
import httpx
PROXY = "http://USERNAME-country-us:[email protected]:7777"
PER_HOST = 4 # parallel requests per target host
host_slots = defaultdict(lambda: asyncio.Semaphore(PER_HOST))
async def fetch(client, url):
async with host_slots[urlsplit(url).hostname]:
try:
r = await client.get(url)
return url, r.status_code, r.num_bytes_downloaded
except httpx.HTTPError as exc:
return url, type(exc).__name__, 0
async def main(urls):
limits = httpx.Limits(max_connections=50, max_keepalive_connections=0)
timeout = httpx.Timeout(30.0, connect=10.0)
async with httpx.AsyncClient(proxy=PROXY, limits=limits, timeout=timeout) as client:
for result in await asyncio.gather(*(fetch(client, u) for u in urls)):
print(*result)
asyncio.run(main(["https://example.com/", "https://example.org/", "https://example.net/"]))ฉันจะใช้พร็อกซีด้วย aiohttp ได้อย่างไร?
ส่งเกตเวย์เป็น proxy= ในแต่ละคำขอ โดยมีข้อมูลรับรองใน URL ของพร็อกซี แบบนี้ใช้ได้กับ aiohttp 3.x ทุกเวอร์ชันโดยไม่มีคำเตือน; BasicAuth และอาร์กิวเมนต์ proxy_auth= เลิกใช้ตั้งแต่ aiohttp 3.14 และจะถูกลบใน 4.0 TCPConnector(force_close=True) ปิดการเชื่อมต่อหลังตอบกลับทุกครั้ง ดังนั้นคำขอแต่ละคำขอจึงมักได้รับ IP ใหม่ หากไม่ใส่ aiohttp จะใช้การเชื่อมต่อซ้ำและคุณจะใช้ IP เดิมสักพัก
import asyncio
import aiohttp
# Credentials go in the proxy URL; percent-encode a password that contains @ or :
PROXY = "http://USERNAME-country-fr:[email protected]:7777"
async def main():
# force_close=True: one connection per request, so each request usually gets a new exit IP
connector = aiohttp.TCPConnector(limit=20, force_close=True)
timeout = aiohttp.ClientTimeout(total=60, sock_connect=10)
async with aiohttp.ClientSession(connector=connector, timeout=timeout) as session:
for _ in range(3):
async with session.get("https://api.ipify.org", proxy=PROXY) as resp:
print(resp.status, await resp.text())
asyncio.run(main())ฉันจะเก็บ IP เดียวสำหรับขั้นตอนหลายขั้นตอนได้อย่างไร?
สร้าง session ID หนึ่งอันต่อกระบวนการ และใส่มันในชื่อผู้ใช้พร้อม TTL ยาวกว่ากระบวนการ Keep-alive ใช้ได้ที่นี่เพราะคุณต้องการ IP เดิม หากอุปกรณ์พร็อกซีเรซิเดนเชียลที่อยู่เบื้องหลัง session ออฟไลน์ IP อาจเปลี่ยนก่อน TTL สิ้นสุด ดังนั้นให้ตั้งให้กระบวนการเริ่มใหม่ได้จากจุดตรวจสอบล่าสุด
import uuid
import requests
session_id = uuid.uuid4().hex[:10] # one ID per flow, lowercase letters and digits
user = "USERNAME-country-us-state-ca-session-%s-ttl-20" % session_id
proxy = "http://%s:[email protected]:7777" % user
with requests.Session() as s:
s.proxies = {"http": proxy, "https": proxy}
first = s.get("https://api.ipify.org", timeout=(10, 30)).text
second = s.get("https://api.ipify.org", timeout=(10, 30)).text
print(first, second, "same exit" if first == second else "exit changed")ขูด Python ใช้ทราฟฟิกเท่าไหร่ต่อหน้า?
วัดจาก 100 หน้าเว็บจริงก่อนซื้อปริมาณ บันทึก num_bytes_downloaded ใน httpx หรือความยาวของเนื้อหาบีบอัดใน middleware ของคุณเองและคูณด้วยจำนวนหน้า การร้องขอ HTML เพียงอย่างเดียวมักใช้ทราฟฟิกเป็นสิบกิโลไบต์ต่อหน้า คู่มือแบนด์วิดท์ ให้ตัวเลขและราคาใน 1,000 หน้า ณ ราคา CrawlRelay
สามนิสัยลดทราฟฟิกโดยไม่เปลี่ยนผลลัพธ์ของคุณ:
- ส่ง
Accept-Encoding: gzip, br(httpx และ requests ส่ง gzip โดยค่าเริ่มต้น) ให้หน้าถูกบีบอัด - ดึงข้อมูล JSON ที่โหลดจากหน้าเมื่อเว็บไซต์มีเอกสารหรืออนุญาต แทนการดึง HTML ทั้งหน้า
- ข้ามหน้าที่ไม่เปลี่ยนด้วย
If-None-MatchหรือIf-Modified-Since:304 Not Modifiedจ่ายแค่หลักร้อยไบต์เท่านั้น
Python และพร็อกซี: คำถาม
requests, httpx หรือ aiohttp: ควรใช้ตัวไหนสำหรับการสแครป?
ใช้ requests สำหรับสคริปต์ง่ายๆ และการครอว์ลขนาดเล็ก ใช้ httpx เมื่อต้องการ API เดียวกันสำหรับโค้ด synchronous และ asynchronous และรองรับ HTTP/2 ผ่าน httpx[http2] ใช้ aiohttp สำหรับงานที่มี concurrent สูงมากใน pure asyncio สำหรับการครอว์ลที่มีการตั้งเวลางาน, กรองข้อมูลซ้ำ และ pipeline ให้ใช้ Scrapy แทนการเขียนส่วนเหล่านั้นเอง
ทำไมฉันถึงเจอข้อผิดพลาด SSL: WRONG_VERSION_NUMBER กับพร็อกซีใน Python?
คุณอาจเขียน https:// นำหน้าที่อยู่พร็อกซี พอร์ตเกตเวย์ 7777 ใช้ HTTP ธรรมดาและเปิดช่องเชื่อมต่อ CONNECT สำหรับไซต์ HTTPS ดังนั้น URL ของพร็อกซีจะต้องเริ่มด้วย http:// ในทั้งคีย์ http และ https ดูรายละเอียดได้ที่ หน้าข้อผิดพลาด
ฉันจะใช้พร็อกซี SOCKS5 ใน Python ได้อย่างไร?
ติดตั้งแพ็คเกจเสริม (pip install "requests[socks]" หรือ pip install "httpx[socks]") แล้วใช้ socks5h://USERNAME:[email protected]:7778 คำสั่ง h จะส่งชื่อโฮสต์ไปยังพร็อกซี ทำให้ DNS แก้ไขที่ exit และคุณเห็นผลลัพธ์ตามภูมิภาคเหมือนกับผู้เยี่ยมชมในพื้นที่
ทำไมพร็อกซีหมุนเวียนของฉันถึงคืนค่า IP เดิมซ้ำกันสองครั้ง?
ไคลเอนต์ของคุณใช้การเชื่อมต่อแบบรักษาสถานะเดิมอยู่ และการหมุนเวียนเกิดขึ้นต่อการเชื่อมต่อใหม่ ให้ส่ง Connection: close ใน requests ตั้งค่า max_keepalive_connections=0 ใน httpx หรือใช้ force_close=True กับ aiohttp นอกจากนี้ตรวจสอบให้แน่ใจว่าชื่อผู้ใช้ไม่มีส่วน session- ซึ่งจะล็อก IP เดียวไว้โดยตั้งใจ
ฉันจะตั้งค่า timeout สำหรับคำขอผ่านพร็อกซีอย่างไร?
ตั้งค่าไว้อย่างชัดเจน: requests ไม่มี timeout โดยค่าเริ่มต้น เวลาเชื่อมต่อประมาณ 10 วินาทีและเวลารออ่าน 30 วินาทีเหมาะสำหรับหน้า HTML; exit มือถือและเป้าหมายที่ช้าต้องการ 45 ถึง 60 วินาที ทำการลองใหม่เมื่อตรวจจับ timeout ด้วยการเชื่อมต่อใหม่แทนรอเวลายาวขึ้น ดูรายละเอียด read timeouts
ฉันใช้พร็อกซีเหล่านี้ใน Jupyter หรือกับ pandas ได้ไหม?
ได้ ทุกสิ่งที่ใช้ requests หรือ httpx เบื้องหลังจะใช้การตั้งค่าพร็อกซีเหมือนกัน สำหรับ pandas.read_html หรือ read_csv บน URL ให้ดาวน์โหลดเนื้อหาด้วยคำขอ requests ผ่านพร็อกซีก่อน แล้วส่งข้อความหรือไบต์ให้ pandas
รันสแครป Python ของคุณผ่าน IP แบบพร็อกซีเรซิเดนเชียล
US$1.50 สำหรับ 1 GB, US$0.50/GB ตั้งแต่ 50 GB