胡临任 发表于 2015-5-22 21:37

入门级Python网络爬虫

Python作为一门功能强大的脚本语言来说,经常被用来写爬虫程序,下面是Python爬虫多线程抓取代{过}{滤}理服务器

首先通过谷歌把包含代{过}{滤}理服务器地址的网页查出来,我选择从 http://www.88181.com/ 这个网站上去抓, 在它上面了爬了800个代{过}{滤}理(选择的8个页面)
#!/usr/bin/env python






#coding:utf-8


import urllib2
import re
import threading
import time

rawProxyList = []
checkedProxyList = []

#抓取代{过}{滤}理网站
portdicts ={'v':"3",'m':"4",'a':"2",'l':"9",'q':"0",'b':"5",'i':"7",'w':"6",'r':"8",'c':"1"}
targets = []
for i in xrange(1,9):
      target = r"http://www.88181.com/proxy%d.html" % i
      targets.append(target)
#print targets

#正则
p = re.compile(r'''<tr><td>(.+?)<SCRIPT type=text/javascript>document.write\(":"\+(.+?)\)</SCRIPT></td><td>(.+?)</td><td>.+?</td><td>(.+?)</td></tr>''')

#获取代{过}{滤}理的类
class ProxyGet(threading.Thread):
    def __init__(self,target):
      threading.Thread.__init__(self)
      self.target = target

    def getProxy(self):
      print "目标网站: " + self.target
      req = urllib2.urlopen(self.target)
      result = req.read()
      #print chardet.detect(result)
      matchs = p.findall(result)
      for row in matchs:
            ip=row
            port =row
            port = map(lambda x:portdicts,port.split('+'))
            port = ''.join(port)
            agent = row
            addr = row.decode("cp936").encode("utf-8")
            proxy =
            #print proxy
            rawProxyList.append(proxy)

    def run(self):
      self.getProxy()

#检验代{过}{滤}理的类
class ProxyCheck(threading.Thread):
    def __init__(self,proxyList):
      threading.Thread.__init__(self)
      self.proxyList = proxyList
      self.timeout = 5
      self.testUrl = "http://www.baidu.com/"
      self.testStr = "030173"

    def checkProxy(self):
      cookies = urllib2.HTTPCookieProcessor()
      for proxy in self.proxyList:
            proxyHandler = urllib2.ProxyHandler({"http" : r'http://%s:%s' %(proxy,proxy)})
            #print r'http://%s:%s' %(proxy,proxy)
            opener = urllib2.build_opener(cookies,proxyHandler)
            opener.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0')]
            #urllib2.install_opener(opener)
            t1 = time.time()

            try:
                #req = urllib2.urlopen("http://www.baidu.com", timeout=self.timeout)
                req = opener.open(self.testUrl, timeout=self.timeout)
                #print "urlopen is ok...."
                result = req.read()
                #print "read html...."
                timeused = time.time() - t1
                pos = result.find(self.testStr)
                #print "pos is %s" %pos

                if pos > 1:
                  checkedProxyList.append((proxy,proxy,proxy,timeused))
                  #print "ok ip: %s %s %s %s" %(proxy,proxy,proxy,timeused)
                else:
                  continue
            except Exception,e:
                #print e.message
                continue

    def run(self):
      self.checkProxy()

if __name__ == "__main__":
    getThreads = []
    checkThreads = []

#对每个目标网站开启一个线程负责抓取代{过}{滤}理
for i in range(len(targets)):
    t = ProxyGet(targets)
    getThreads.append(t)

for i in range(len(getThreads)):
    getThreads.start()

for i in range(len(getThreads)):
    getThreads.join()

print '.'*10+"总共抓取了%s个代{过}{滤}理" %len(rawProxyList) +'.'*10

#开启20个线程负责校验,将抓取到的代{过}{滤}理分成20份,每个线程校验一份
for i in range(20):
    t = ProxyCheck(rawProxyList[((len(rawProxyList)+19)/20) * i:((len(rawProxyList)+19)/20) * (i+1)])
    checkThreads.append(t)

for i in range(len(checkThreads)):
    checkThreads.start()

for i in range(len(checkThreads)):
    checkThreads.join()

print '.'*10+"总共有%s个代{过}{滤}理通过校验" %len(checkedProxyList) +'.'*10

#持久化
f= open("proxy_list.txt",'w+')
for proxy in sorted(checkedProxyList,cmp=lambda x,y:cmp(x,y)):
    print "checked proxy is: %s:%s\t%s\t%s" %(proxy,proxy,proxy,proxy)
    f.write("%s:%s\t%s\t%s\n"%(proxy,proxy,proxy,proxy))
f.close()

部分log: 目标网站: http://www.88181.com/proxy1.html
目标网站: http://www.88181.com/proxy2.html
目标网站: http://www.88181.com/proxy3.html
目标网站: http://www.88181.com/proxy4.html
目标网站: http://www.88181.com/proxy5.html
目标网站: http://www.88181.com/proxy6.html
目标网站: http://www.88181.com/proxy7.html
目标网站: http://www.88181.com/proxy8.html
..........总共抓取了800个代{过}{滤}理..........
..........总共有478个代{过}{滤}理通过校验.........
173.213.113.111:8089    United States0.341555833817
173.213.113.111:3128    United States0.347477912903
210.101.131.232:8080    韩国 首尔      0.418715000153

wisology 发表于 2015-5-22 21:45

对python还不熟悉,支持一个。

一路有你 发表于 2015-5-22 21:51

对python还不熟悉,支持一个网络爬虫我爱你

zhedielj 发表于 2015-5-22 22:37

caolcx 发表于 2015-5-24 17:23

这个爬虫的脚本感觉好厉害的样子啊,

tywolf 发表于 2015-5-25 10:59

这个爬虫脚本运行不起来的,list对象里不存在start

ipaddr 发表于 2015-9-10 15:37

学习一下

mrwinner 发表于 2015-11-18 10:49

为了爬虫学python ing

Lbf 发表于 2016-11-27 22:47

正在学习爬虫

蜗牛的春天 发表于 2016-11-29 10:03

谢谢楼主的分享
页: [1] 2 3
查看完整版本: 入门级Python网络爬虫