-
22025年5月
-
262025年4月
-
272025年3月
-
282025年2月
-
162025年1月
-
282024年4月
-
302024年3月
-
292024年2月
-
312024年1月
-
312023年12月
-
302023年11月
-
312023年10月
-
302023年9月
-
312023年8月
-
352023年7月
-
312023年6月
-
312023年5月
-
302023年4月
-
312023年3月
-
282023年2月
-
312023年1月
-
312022年12月
-
302022年11月
-
312022年10月
-
302022年9月
-
312022年8月
-
322022年7月
-
292022年6月
-
322022年5月
-
302022年4月
-
332022年3月
-
312022年2月
-
372022年1月
-
382021年12月
-
382021年11月
-
402021年10月
-
432021年9月
-
372021年8月
-
442021年7月
-
442021年6月
-
432021年5月
-
342021年4月
-
312021年3月
-
292021年2月
-
352021年1月
-
422020年12月
-
402020年11月
-
482020年10月
-
522020年9月
-
852020年8月
-
752020年7月
-
802020年6月
-
782020年5月
-
772020年4月
-
432020年3月
-
362020年2月
-
452020年1月
-
562019年12月
-
712019年11月
-
612019年10月
-
562019年9月
-
532019年8月
-
362019年7月
-
362019年6月
-
382019年5月
-
402019年4月
-
352019年3月
-
342019年2月
-
442019年1月
-
392018年12月
-
402018年11月
-
392018年10月
-
392018年9月
-
452018年8月
-
452018年7月
-
392018年6月
-
512018年5月
-
492018年4月
-
342018年3月
-
282018年2月
-
482018年1月
-
732017年12月
-
7292017年11月
-
7442017年10月
-
2892017年9月
-
12017年8月
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,或者直接购买开心代理的动态高质量代理。