怎么驗證Python爬取的代理IP是否有效

本篇內容介紹了“怎么驗證Python爬取的代理IP是否有效”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

    在爬蟲工作的過程中，往往由于IP被限制了而無法進行下去，工程師們也是智計百出，購買代理IP，自己搭建IP池，甚至網上抓取免費代理IP。我們知道，網絡上有很多提供免費代理IP的網站，我們可以選擇其中一個或多個來進行代理IP的爬取并存儲到csv文件中，并通過多進程來驗證爬取IP的可用性。

    通過requests和lxml進行網頁的爬取和解析。

    在爬取之前，我們首先設置請求頭，模擬作為普通瀏覽器進行網頁的訪問。

    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"

    }

    要爬取的頁面結構非常簡單，通過lxml的css選擇器選擇所有的ip地址和端口進行拼接，然后一行行的寫入到csv文件中。

    代碼如下：

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

    """

    爬取代理IP地址

    :param target_url: 爬取的代理IP網址

    :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()

    自己設置好爬取的頁面走個循環，爬取好的地址就寫入到了csv文件中。不過之前發布的一些代理IP不能用的可能性較大，可以就爬取前5頁左右即可。

    在驗證代理IP的可行性時，通過進程池添加驗證每個代理IP的驗證方法即可。通過requests的session可以持續的進行網絡的訪問。

    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()

    驗證每個IP的方法就是通過給網頁發送GET請求，然后根據返回的狀態碼進行判斷，并執行相應的操作。在請求時設置了timeout的話，需要使用try-except拋出異常，否則當超過timeout設置的值時，會終止相應的進程。

“怎么驗證Python爬取的代理IP是否有效”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！