快速回答
如何在Python中使用旋转住宅代理?
在requests中将http://USERNAME:[email protected]:7777作为http和https的代理,在httpx 0.26+中作为proxy=,在aiohttp中每次请求作为proxy=。CrawlRelay住宅代理每次新连接都会轮换,且用户名中带有-session-<id>保持会话。价格是US$1.50/1GB,50GB起价US$0.50/GB。支持加密货币支付,无需 KYC。
Python快速设置
| requests | proxies={"http": url, "https": url};通过urllib3的Retry实现重试 |
|---|---|
| httpx | httpx.Client(proxy=url);httpx 0.28删除了旧的proxies=参数 |
| aiohttp | session.get(url, proxy="http://USER:PASS@host:port"),凭据写在代理URL中 |
| SOCKS5 | pip install "requests[socks]"或httpx[socks],端口为7778的socks5h:// |
| 每次请求使用新 IP | 关闭keep-alive:Connection: close,max_keepalive_connections=0或force_close=True |
| 保持一个流程使用同一IP | 用户名中写-session-<id>-ttl-<minutes>,最长支持 30 分钟持续时长 |
| 代理URL方案 | HTTP端口始终是http://,即使是HTTPS网站也一样 |
如何用requests配合Respect Retry-After的重试使用代理?
在Session上挂载带有urllib3Retry的HTTPAdapter。它会重试连接错误和你列出的状态码,采用指数退避,尊重网站在429和503返回的Retry-After头。设置trust_env = False,避免残留的HTTPS_PROXY变量覆盖代理设置。
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)如何安全生成定向代理URL?
在一个函数中生成用户名并校验。国家码拼写错误或密码中未编码字符会导致407,看上去像是凭据问题。下面的助手保持文档顺序(USERNAME-country-{cc}-state-{state}-city-{city}-zip-{zip}-asn-{asn}-session-{id}-ttl-{minutes}),拒绝未知键,并对凭据进行URL编码。
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"))如何用httpx每次请求获取新IP?
关闭keep-alive。httpx默认连接池复用,连接复用会保持相同出口IP。关闭后(max_keepalive_connections=0),每次请求都会新建连接,通常通过不同住宅IP出口。num_bytes_downloaded显示实际传输字节,这最接近流量计费。
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")如何用asyncio并发爬取而不过度请求单个站点?
每个主机限制并发,而非仅全局限制。全局限制50会导致50个请求都访问同一域名(当URL按域排序时)。对每主机使用信号量,保证每个网站访问量合理,同时整体爬取依然快速。初始限制2到4,提升前请阅读并发指南。
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/"]))如何使用aiohttp代理?
每次请求传递网关作为proxy=,凭据写入代理URL。此方法适用于所有aiohttp 3.x版本且无警告;BasicAuth和proxy_auth=参数自aiohttp 3.14起废弃,4.0将移除。TCPConnector(force_close=True)确保响应后关闭连接,每次请求通常获得新出口。否则aiohttp会复用连接,IP会保持一段时间。
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())如何保持多步骤流程使用同一个IP?
每个流程生成一个会话ID,写入用户名,TTL应长于流程时间。此处keep-alive可用,目的是保持同一出口IP。若会话对应住宅设备掉线,TTL到期前IP可能变化,保证流程可从上次检查点重启。
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")Python爬虫每页流量多少?
购买大流量前,测量100个真实页面流量。在httpx中记录num_bytes_downloaded,或在中间件统计压缩内容长度,乘以页面数。HTML页面通常几十KB;带宽指南给出成本和1,000页价格,基于CrawlRelay定价。
三种习惯大幅降低流量,效果不变:
- 发送
Accept-Encoding: gzip, br(httpx和requests默认支持gzip),页面传输压缩。 - 获取页面加载的JSON接口(前提是网站支持或开放此行为),而非完整HTML。
- 使用
If-None-Match或If-Modified-Since跳过未变更页面:304 Not Modified只需几百字节。
Python 和代理:常见问题
requests、httpx 还是 aiohttp:我该用哪个来爬虫?
简单脚本和小规模爬取用 requests。想同时支持同步和异步代码、并通过 httpx[http2] 使用 HTTP/2 就用 httpx。纯 asyncio 中高并发用 aiohttp。需要调度、去重和管道的爬虫,建议用 Scrapy,别自己写这些功能。
为什么在 Python 里用代理时会遇到 SSL: WRONG_VERSION_NUMBER 错误?
大概率是你在代理地址前写了 https://。网关端口 7777 是纯 HTTP,用来建立 HTTPS 的 CONNECT 隧道,所以代理 URL 在 http 和 https 键里都必须以 http:// 开头。详见 错误页面。
如何在 Python 中使用 SOCKS5 代理?
安装额外组件(pip install "requests[socks]" 或 pip install "httpx[socks]"),然后使用 socks5h://USERNAME:[email protected]:7778。h 会把主机名发送给代理,DNS 解析在出口进行,可以获得跟本地用户一样的区域结果。
为什么我的轮换代理会返回相同的 IP?
你的客户端重复使用了“keep-alive”连接,而轮换是针对新连接才执行的。在 requests 里发送 Connection: close,httpx 里设置 max_keepalive_connections=0,aiohttp 中用 force_close=True。还要检查用户名是否含有 session- 部分,那是故意保留一个 IP 的。
如何设置代理请求的超时?
要显式设置:requests 默认无超时。连接超时一般设为 10 秒,读取超时 30 秒适合 HTML 页;移动出口或慢速目标建议 45 到 60 秒。超时后最好重试一次,且新建连接,别一直等。参考读取超时。
我可以在 Jupyter 或 pandas 中使用这些代理吗?
可以。只要用到 requests 或 httpx 的工具都能用相同的代理设置。对于 pandas.read_html 或 read_csv 形式的 URL,先用带代理的 requests 下载内容,再把文本或字节传给 pandas。
通过住宅代理运行你的 Python 爬虫
US$1.50,1 GB起,US$0.50/GB从50 GB起。