怎么验证Python爬取的代理IP是否有效

本篇内容介绍了“怎么验证Python爬取的代理IP是否有效”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

    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。

“怎么验证Python爬取的代理IP是否有效”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！