转载自公众号:JAVAandPythonJun
说在前面的话
Hello,我是JAP君,相信经常使用爬虫的朋友对代理ip应该比较熟悉,代理ip就是可以模拟一个ip地址去访问某个网站。我们有时候需要爬取某个网站的大量信息时,可能由于我们爬的次数太多导致我们的ip被对方的服务器暂时屏蔽(也就是所谓的防爬虫防洪水的一种措施),这个时候就需要我们的代理ip出场了,今天我带大家来爬取西刺代理上面免费提供的代理ip并且我们来检测它的有效性来打造我们自己的代理ip池,废话不多说,咱们动工!
2思路分析(写爬虫前大家都必须要分析一下)
image image
没错上图就是我们的西刺代理网站啦,今天我们就是来拿它的数据,老司机一看这个界面就会自动右击鼠标->查看源代码,我们也来看看:
image
我们会发现数据都在<tr>里面,并且<tr>里面有很多的<td>,每一个<td>都包含了我们所需要的数据。
看过我以前一些爬虫文章的朋友估计一下就知道该怎么下手了,但是不急我们还是来分析一下,毕竟这次数据量有点大,而且还得校验代理ip的有效性。
image
给大家画了张图,其实思路也很简单,也就不多阐述了。
3获取所有的代理ip以及相关信息并保存至文件txt中
我们就按照我们的思路来,在这里我们需要用到的几个库,给大家写出来:
from bs4 import BeautifulSoupimport requestsfrom urllib import request,errorimport threading
导入库后,我们首先获得代理ip,我们来定义一个方法:(每一句的解释我都写在注释里了)
def getProxy(url):# 打开我们创建的txt文件proxyFile = open('proxy.txt', 'a')# 设置UA标识headers = {'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit ''/ 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'}# page是我们需要获取多少页的ip,这里我们获取到第9页for page in range(1, 10):# 通过观察URL,我们发现原网址+页码就是我们需要的网址了,这里的page需要转换成str类型urls = url+str(page)# 通过requests来获取网页源码rsp = requests.get(urls, headers=headers)html = rsp.text# 通过BeautifulSoup,来解析html页面soup = BeautifulSoup(html)# 通过分析我们发现数据在id为ip_list的table标签中的tr标签中trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表# 我们循环这个列表for item in trs[1:]:# 并至少出每个tr中的所有td标签tds = item.find_all('td')# 我们会发现有些img标签里面是空的,所以这里我们需要加一个判断if tds[0].find('img') is None:nation = '未知'locate = '未知'else:nation = tds[0].find('img')['alt'].strip()locate = tds[3].text.strip()# 通过td列表里面的数据,我们分别把它们提取出来ip = tds[1].text.strip()port = tds[2].text.strip()anony = tds[4].text.strip()protocol = tds[5].text.strip()speed = tds[6].find('div')['title'].strip()time = tds[8].text.strip()# 将获取到的数据按照规定格式写入txt文本中,这样方便我们获取proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))
上面的代码就是我们抓取西刺代理上的所有ip并将它们写入txt中,每一句的解释我都写在注释里面了,这里也就不多说了。
4校验代理ip的可用性
这里我是通过代理ip去访问百度所返回的状态码来辨别这个代理ip到底有没有用的。
def verifyProxy(ip):'''验证代理的有效性'''requestHeader = {'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36"}url = ""# 填写代理地址proxy = {'http': ip}# 创建proxyHandlerproxy_handler = request.ProxyHandler(proxy)# 创建openerproxy_opener = request.build_opener(proxy_handler)# 安装openerrequest.install_opener(proxy_opener)try:req = request.Request(url, headers=requestHeader)rsq = request.urlopen(req, timeout=5.0)code = rsq.getcode()return codeexcept error.URLError as e:return e
我们在这个方法中会得到一个状态码的返回,如果返回码是200,那么这个代理ip就是可用的。
image
def verifyProxyList():verifiedFile = open('verified.txt', 'a')while True:lock.acquire()ll = inFile.readline().strip()lock.release()if len(ll) == 0 : breakline = ll.strip().split('|')ip = line[1]port = line[2]realip = ip+':'+portcode = verifyProxy(realip)if code == 200:lock.acquire()print("---Success:" + ip + ":" + port)verifiedFile.write(ll + "\n")lock.release()else:print("---Failure:" + ip + ":" + port)
我们写完校验方法后,我们就从我们事先爬取到的所有代理ip的txt文件中获取到ip和端口(ip地址:端口),我们通过判断返回值是否为200来进行写入到有效的txt文件中。
5调用函数
万事俱备只欠调用!
if __name__ == '__main__':tmp = open('proxy.txt', 'w')tmp.write("")tmp.close()tmp1 = open('verified.txt', 'w')tmp1.write("")tmp1.close()getProxy("/nn/")getProxy("/nt/")getProxy("/wn/")getProxy("/wt/")all_thread = []# 30个线程for i in range(30):t = threading.Thread(target=verifyProxyList)all_thread.append(t)t.start()for t in all_thread:t.join()inFile.close()verifiedtxt.close()
因为西刺代理提供了四种代理ip,所以分别有四个网址。这里我们也采用了线程的方法,主要是为了防止出现线程互相争夺导致我们的数据不精确,在上面几个方法中我们也通过了同步锁来对其进行线程安全的保证。
6结尾
其实总体来说这个爬虫不是特别的难,主要的难点在于数据量可能有点多,很多人可能不会考虑到线程安全的问题,导致数据获取的不精确。
全部代码:
from bs4 import BeautifulSoupimport requestsfrom urllib import request,errorimport threadinginFile = open('proxy.txt')verifiedtxt = open('verified.txt')lock = threading.Lock()def getProxy(url):# 打开我们创建的txt文件proxyFile = open('proxy.txt', 'a')# 设置UA标识headers = {'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit ''/ 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'}# page是我们需要获取多少页的ip,这里我们获取到第9页for page in range(1, 10):# 通过观察URL,我们发现原网址+页码就是我们需要的网址了,这里的page需要转换成str类型urls = url+str(page)# 通过requests来获取网页源码rsp = requests.get(urls, headers=headers)html = rsp.text# 通过BeautifulSoup,来解析html页面soup = BeautifulSoup(html)# 通过分析我们发现数据在id为ip_list的table标签中的tr标签中trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表# 我们循环这个列表for item in trs[1:]:# 并至少出每个tr中的所有td标签tds = item.find_all('td')# 我们会发现有些img标签里面是空的,所以这里我们需要加一个判断if tds[0].find('img') is None:nation = '未知'locate = '未知'else:nation = tds[0].find('img')['alt'].strip()locate = tds[3].text.strip()# 通过td列表里面的数据,我们分别把它们提取出来ip = tds[1].text.strip()port = tds[2].text.strip()anony = tds[4].text.strip()protocol = tds[5].text.strip()speed = tds[6].find('div')['title'].strip()time = tds[8].text.strip()# 将获取到的数据按照规定格式写入txt文本中,这样方便我们获取proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))def verifyProxyList():verifiedFile = open('verified.txt', 'a')while True:lock.acquire()ll = inFile.readline().strip()lock.release()if len(ll) == 0 : breakline = ll.strip().split('|')ip = line[1]port = line[2]realip = ip+':'+portcode = verifyProxy(realip)if code == 200:lock.acquire()print("---Success:" + ip + ":" + port)verifiedFile.write(ll + "\n")lock.release()else:print("---Failure:" + ip + ":" + port)def verifyProxy(ip):'''验证代理的有效性'''requestHeader = {'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36"}url = ""# 填写代理地址proxy = {'http': ip}# 创建proxyHandlerproxy_handler = request.ProxyHandler(proxy)# 创建openerproxy_opener = request.build_opener(proxy_handler)# 安装openerrequest.install_opener(proxy_opener)try:req = request.Request(url, headers=requestHeader)rsq = request.urlopen(req, timeout=5.0)code = rsq.getcode()return codeexcept error.URLError as e:return eif __name__ == '__main__':tmp = open('proxy.txt', 'w')tmp.write("")tmp.close()tmp1 = open('verified.txt', 'w')tmp1.write("")tmp1.close()getProxy("/nn/")getProxy("/nt/")getProxy("/wn/")getProxy("/wt/")all_thread = []for i in range(30):t = threading.Thread(target=verifyProxyList)all_thread.append(t)t.start()for t in all_thread:t.join()inFile.close()verifiedtxt.close()