怎么来爬取代理服务器ip地址?(python)

huangxie

一年前突然有个灵感,想搞个强大的网盘搜索引擎,但由于大学本科学习软件工程偏嵌入式方向,web方面的能力有点弱,不会jsp,不懂html,好久没有玩过sql,但就是趁着年轻人的这股不妥协的劲儿,硬是把以前没有学习的全部给学了一遍,现在感觉web原来也就那么回事。好了,废话就不说了,看到本文的读者,可以先看看我做的东西:去转盘网

  ok搜搜:www.oksousou.com(这个是磁力,顺便拿出来给大伙观赏)

  言归正传,由于我要爬取百度网盘,而度娘你懂的的搞爬虫出生的,反爬虫的能力很牛掰。尤其像我用我的电脑去爬百度网盘,爬几天百度就盯上了我的机子,爬虫开始爬不出东西。之后网上东查,西查,发现可以通过代理来解决这个问题,所以又去爬代理。我爬的是这个网站:

http://www.xicidaili.com/ 之后他貌似他开始反击,我又将魔爪指向了:http://www.kuaidaili.com
想必看这篇博文的多半是程序猿,所以还是先上代码(我会写注释的,放心,该爬虫以http://www.xicidaili.com/为目标):

#coding:utf-8
 
import json
 
import sys
 
import urllib, urllib2
 
import datetime
 
import time
 
reload(sys)
 
sys.setdefaultencoding('utf-8')
 
from Queue import Queue
 
from bs4 import BeautifulSoup
 
import MySQLdb as mdb
 
DB_HOST = '127.0.0.1'
 
DB_USER = 'root'
 
DB_PASS = 'root'
 
ID=0
 
ST=1000
 
uk='3758096603'
 
classify="inha"
 
proxy = {u'https':u'118.99.66.106:8080'}
 
  
 
class ProxyServer:
 
def __init__(self): #这个就不说了,数据库初始化,我用的是mysql
 
self.dbconn = mdb.connect(DB_HOST, DB_USER, DB_PASS, 'ebook', charset='utf8')
 
self.dbconn.autocommit(False)
 
self.next_proxy_set = set()
 
self.chance=0
 
self.fail=0
 
self.count_errno=0
 
self.dbcurr = self.dbconn.cursor()
 
self.dbcurr.execute('SET NAMES utf8')
 
  
 
def get_prxy(self,num): #这个函数用来爬取代理
 
while num>0:
 
global proxy,ID,uk,classify,ST
 
count=0
 
for page in range(1,718): #代理网站总页数,我给了个718页
 
if self.chance >0: #羊毛出在羊身上,如过爬取网站开始反击我,我就从他那爬下来的
 
代理伪装,这个self.chance表示我什么时候开始换代理
 
if ST % 100==0:
 
self.dbcurr.execute("select count(*) from proxy")
 
for r in self.dbcurr:
 
count=r[0]
 
if ST>count:
 
ST=1000 #我是从数据库的第1000条开始换的,这段你可以改,搞个随机函数随机换,我写的很简单
 
self.dbcurr.execute("select * from proxy where ID=%s",(ST))
 
results = self.dbcurr.fetchall()
 
for r in results:
 
protocol=r[1]
 
ip=r[2]
 
port=r[3]
 
pro=(protocol,ip+":"+port)
 
if pro not in self.next_proxy_set:
 
self.next_proxy_set.add(pro)
 
self.chance=0
 
ST+=1
 
proxy_support = urllib2.ProxyHandler(proxy) #注册代理
 
# opener = urllib2.build_opener(proxy_support,urllib2.HTTPHandler(debuglevel=1))
 
opener = urllib2.build_opener(proxy_support)
 
urllib2.install_opener(opener)
 
#添加头信息,模仿浏览器抓取网页,对付返回403禁止访问的问题
 
# i_headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
 
i_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.48'}
 
#url='http://www.kuaidaili.com/free/inha/' + str(page)
 
url='http://www.kuaidaili.com/free/'+classify+'/' + str(page)
 
html_doc=""
 
try:
 
req = urllib2.Request(url,headers=i_headers)
 
response = urllib2.urlopen(req, None,5)
 
html_doc = response.read() #这不就获取了要爬取的页面嘛?
 
except Exception as ex: #看抛出异常了,可能开始反击我,我开始换代理
 
print "ex=",ex
 
pass
 
self.chance+=1
 
if self.chance>0:
 
if len(self.next_proxy_set)>0:
 
protocol,socket=self.next_proxy_set.pop()
 
proxy= {protocol:socket}
 
print "proxy",proxy
 
print "change proxy success."
 
continue
 
#html_doc = urllib2.urlopen('http://www.xici.net.co/nn/' + str(page)).read()
 
if html_doc !="": #解析爬取的页面,用的beautifulSoup
 
soup = BeautifulSoup(html_doc,from_encoding="utf8")
 
#print "soup",soup
 
#trs = soup.find('table', id='ip_list').find_all('tr') #获得所有行
 
trs = ""
 
try:
 
trs = soup.find('table').find_all('tr')
 
except:
 
print "error"
 
continue
 
for tr in trs[1:]:
 
tds = tr.find_all('td')
 
ip = tds[0].text.strip() #ip
 
port = tds[1].text.strip() #端口
 
protocol = tds[3].text.strip()
 
#tds = tr.find_all('td')
 
#ip = tds[2].text.strip()
 
#port = tds[3].text.strip()
 
#protocol = tds[6].text.strip()
 
get_time= tds[6].text.strip()
 
#get_time = "20"+get_time
 
check_time = datetime.datetime.strptime(get_time,'%Y-%m-%d %H:%M:%S')
 
temp = time.time()
 
x = time.localtime(float(temp))
 
time_now = time.strftime("%Y-%m-%d %H:%M:%S",x) # get time now,入库时间
 
http_ip = protocol+'://'+ip+':'+port
 
if protocol == 'HTTP' or protocol == 'HTTPS': #只要http协议相关代理,其他一律不要
 
content=""
 
try: #我就是不放心这个网站,所以爬下来后我又开始检测代理是否真的有效
 
proxy_support=urllib2.ProxyHandler({protocol:http_ip})
 
# proxy_support = urllib2.ProxyHandler({'http':'http://124.200.100.50:8080'})
 
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
 
urllib2.install_opener(opener)
 
if self.count_errno>50:
 
self.dbcurr.execute("select UID from visited where ID=%s",(ID)) #这是我的数据库,我取了一个叫uk的东东,这个
 
你不用管,你想检测拿你要爬取的链接检测代理吧
 
for uid in self.dbcurr:
 
uk=str(uid[0])
 
ID+=1
 
if ID>50000:
 
ID=0
 
self.count_errno=0
 
test_url="http://yun.baidu.com/pcloud/friend/getfanslist?start=0&query_uk="+uk+"&limit=24" #我用来检测的链接
 
print "download:",http_ip+">>"+uk
 
req1 = urllib2.Request(test_url,headers=i_headers)
 
response1 = urllib2.urlopen(req1, None,5)
 
content = response1.read()
 
except Exception as ex: #抛异常后的处理
 
#print "ex2=",ex
 
pass
 
self.fail+=1
 
if self.fail>10:
 
self.fail=0
 
break
 
continue
 
if content!="":
 
json_body = json.loads(content)   
 
errno = json_body['errno'] 
 
self.count_errno+=1
 
if errno!=-55: #检验该代理是有用的,因为content!="" 并且度娘返回not -55
 
print "success."
 
self.dbcurr.execute('select ID from proxy where IP=%s', (ip)) #开始入库了
 
y = self.dbcurr.fetchone()
 
if not y:
 
print 'add','%s//:%s:%s' % (protocol, ip, port)
 
self.dbcurr.execute('INSERT INTO proxy(PROTOCOL,IP,PORT,CHECK_TIME,ACQ_TIME) VALUES(%s,%s,%s,%s,%s)',(protocol,ip,port,check_time,time_now))
 
self.dbconn.commit()
 
num-=1
 
if num % 4 ==0:
 
classify="intr" #这个是原来网站的那几个标签栏名称,我是一栏一栏的爬取的
 
if num % 4 ==1:
 
classify="outha"
 
if num % 4 ==2:
 
classify="outtr"
 
if num % 4 ==3:
 
classify="inha"
 
   
 
  if __name__ == '__main__':
 
   
 
  proSer = ProxyServer()
 
  proSer.get_prxy(10000) #爬10000次,单线程,爬个1两周没有问题

以上就是本人的代理爬虫代码,谢谢阅读,欢迎转载。本人建个 qq 群,欢迎大家一起交流技术, 群号: 512245829 喜欢微博的朋友关注:转盘娱乐即可

阅读 2.7k

python+java+c专栏
本人软件工程,喜欢这些。
282 声望
36 粉丝
0 条评论
你知道吗?

282 声望
36 粉丝
宣传栏