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,zh;q=0.9",
'cache-control': "no-cache",
'connection': "keep-alive",
'host': "www.******",
'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": "" + 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。
