注册
登录
提问时间:2018/12/10 14:35:49    楼主:未知网友   阅读量:244

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。

功夫不负有心人,爬取了十万八千个免费代理IP后,经过验证,发现有效的IP只有八百六十六个,而延迟比较低的更少,只有三百六十五个,至于业务成功率那就更低了,当然不同的业务成功率各不相同,就不说了,但我们可以看出,免费代理IP的有效率实在是太低,对于新手练手,完全没问题,对于用来完成工作任务的朋友来说,完全玩不了,只能购买付费代理IP,或者搭建代理IP池,或者直接购买站大爷的独享IP池