怎么使用Python爬取代理IP并验证有效性？

    在爬虫工作的过程中，往往由于IP被限制了而无法进行下去，工程师们也是智计百出，购买代理IP，自己搭建IP池，甚至网上抓取免费代理IP。我们知道，网络上有很多提供免费代理IP的网站，我们可以选择其中一个或多个来进行代理IP的爬取并存储到csv文件中，并通过多进程来验证爬取IP的可用性。

    通过requests和lxml进行网页的爬取和解析。

 

    在爬取之前，我们首先设置请求头，模拟作为普通浏览器进行网页的访问。

 

    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=0.9",

 

    'cache-control': "no-cache",

 

    'connection': "keep-alive",

 

    'host': "www.******.com",

 

    'if-none-match': "W/\"61f3e567b1a5028acee7804fa878a5ba\"",

 

    'upgrade-insecure-requests': "1",

 

    'user-agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36"

 

    }

 

    要爬取的页面结构非常简单，通过lxml的css选择器选择所有的ip地址和端口进行拼接，然后一行行的写入到csv文件中。

 

    代码如下：

 

    def getProxyList(target_url=TARGET_URL, pages='1'):

 

    """

 

    爬取代理IP地址

 

    :param target_url: 爬取的代理IP网址

 

    :return:

 

    """

 

    proxyFile = open(FILE_NAME, "a+", newline="")

 

    writer = csv.writer(proxyFile)

 

    r = requests.get(target_url + pages, headers=headers, timeout=2.5)

 

    document_tree = lxml.html.fromstring(r.text)

 

    rows = document_tree.cssselect("#ip_list tr")

 

    rows.pop(0)

 

    for row in rows:

 

    tds = row.cssselect("td")

 

    proxy_ip = tds[1].text_content()

 

    proxy_port = tds[2].text_content()

 

    proxy_addr = tds[3].text_content().strip()

 

    writer.writerow([proxy_ip, proxy_port, proxy_addr])

 

    proxyFile.close()

 

    自己设置好爬取的页面走个循环，爬取好的地址就写入到了csv文件中。不过之前发布的一些代理IP不能用的可能性较大，可以就爬取前5页左右即可。

 

    在验证代理IP的可行性时，通过进程池添加验证每个代理IP的验证方法即可。通过requests的session可以持续的进行网络的访问。

 

    def verifyProxies(verify_url, file_path=FILE_NAME):

 

    session = requests.session()

 

    proxyFile = open(FILE_NAME, "r+")

 

    csv_reader = csv.reader(proxyFile)

 

    p = Pool(10)

 

    for row in csv_reader:

 

    proxies = {"http": "http://" + row[0] + ":" + row[1]}

 

    p.apply_async(verifyProxy, args=(verify_url, proxies, session))

 

    p.close()

 

    p.join()

 

    proxyFile.close()

 

    验证每个IP的方法就是通过给网页发送GET请求，然后根据返回的状态码进行判断，并执行相应的操作。在请求时设置了timeout的话，需要使用try-except抛出异常，否则当超过timeout设置的值时，会终止相应的进程。