参考网上高手示例程序,利用了多线程技术,Python版本为2.7

#-*-coding:utf8-*-

import urllib2

import re

import threading

import time

rawProxyList = []

checkedProxyList = []

#抓取代理网站

targets=[]

for i in range(1,6):

target = r"http://www.xici.net.co/nn/%d" % i

targets.append(target)

# print targets

#正则

p = re.compile(r'''

req = urllib2.urlopen(self.target)

result = req.read()

matchs = p.findall(result)

for row in matchs:

ip = row[0]

port = row[1]

agent = row[2]

addr=agent+'://'+ip+':'+port

proxy = [ip,port,addr]

rawProxyList.append(proxy)

def run(self):

self.getProxy()

#检验代理类

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[0],proxy[1])})

opener=urllib2.build_opener(cookies,proxyHandler)

opener.addheaders =[('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36')]

t1 = time.time()

try:

req = opener.open(self.testUrl,timeout=self.timeout)

result=req.read()

timeused = time.time()-t1

pos = result.find(self.testStr)

if pos > 1:

checkedProxyList.append((proxy[0],proxy[1],proxy[2],timeused))

else:

continue

except Exception,e:

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理

for i in range(len(targets)):

t = ProxyGet(targets[i])

getThreads.append(t)

for i in range(len(getThreads)):

getThreads[i].start()

for i in range(len(getThreads)):

getThreads[i].join()

print '.'*10+"总共抓取了%s个代理" %len(rawProxyList) +'.'*10

#开启20个线程负责校验,将抓取到的代理分成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[i].start()

for i in range(len(checkThreads)):

checkThreads[i].join()

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

#持久化

f= open("proxy_list.txt",'w+')

for proxy in sorted(checkedProxyList,cmp=lambda x,y:cmp(x[3],y[3])):

print "checked proxy is: %s:%st%st%s" %(proxy[0],proxy[1],proxy[2],proxy[3])

f.write("%s:%st%st%sn"%(proxy[0],proxy[1],proxy[2],proxy[3]))

f.close()

西刺代理python_python网络爬虫实战——实时抓取西刺免费代理ip-Go语言中文社区...相关推荐

  1. Python网络爬虫实战:抓取和分析天猫胸罩销售数据

    本文实现一个非常有趣的项目,这个项目是关于胸罩销售数据分析的.Google曾给出了一幅世界女性胸部尺寸分布地图 ,从地图中可以明显看出中国大部分地区呈现绿色(表示平均胸部尺寸为A罩杯),少部分地区呈现 ...

  2. 【网络爬虫实战】抓取腾讯视频评论

    首先 腾讯视频(青云志)中的评论是有多页的,涉及到翻页.猜测评论不是都在网页源码中的,查看网页源码确实不在. 第二, 这里通过fiddler获得firefox中新的js网页的url,然后打开此网页.这 ...

  3. python网络爬虫实战3——抓取新闻内文相关信息

    详细代码见:http://download.csdn.net/download/vinsuan1993/10258596 一.需求说明 我们通过上一篇博客(http://blog.csdn.net/c ...

  4. [day4]python网络爬虫实战:爬取美女写真图片(Scrapy版)

    l> 我的新书<Android App开发入门与实战>已于2020年8月由人民邮电出版社出版,欢迎购买.点击进入详情 文章目录 1.开发环境 2.第三方库 3.Scrapy简介 4. ...

  5. [day1]python网络爬虫实战:爬取美女写真图片

    l> 我的新书<Android App开发入门与实战>已于2020年8月由人民邮电出版社出版,欢迎购买.点击进入详情 文章目录 1.开发环境 2.第三方库 3.实现 1.分析url格 ...

  6. [day2]python网络爬虫实战:爬取美女写真图片(增强版)

    l> 我的新书<Android App开发入门与实战>已于2020年8月由人民邮电出版社出版,欢迎购买.点击进入详情 文章目录 1.开发环境 2.第三方库 3.实现 1.分析url格 ...

  7. Python 网络爬虫实战:爬取知乎回答中的全部图片

    平时逛知乎的时候,经常能看到很多很棒的图片,精美的壁纸,搞笑的表情包,有趣的截图等等,总有想全部保存下来的冲动. 于是在一个小老弟的拜托之下,我把之前的知乎爬虫改造了一下,改装成了一个可以下载知乎回答 ...

  8. 22.网络爬虫—APP数据抓取详讲

    网络爬虫-APP数据抓取详讲 Fiddler 工作原理 安装完成Fiddler后的配置 前提条件 工具配置 手机数据抓取 Fiddler手机端配置 手机端操作 实战演示 后记 前言:

  9. 爬虫实战,抓取论坛帖子内容

    本文主要内容:以最短的时间写一个最简单的爬虫,可以抓取论坛的帖子标题和帖子内容. 本文受众:没写过爬虫的萌新. 入门 0.准备工作 需要准备的东西: Python.scrapy.一个IDE或者随便什么 ...

  10. python爬虫实战:爬取西刺代理网站,获取免费的代理IP

    爬取的网站链接:西刺网站 import requests import chardet import random import time from bs4 import BeautifulSoup ...

最新文章

  1. linux系统发送信号的系统调用是,linux系统编程之信号:信号发送函数sigqueue和信号安装函数sigaction...
  2. 利用QCustomePlot绘制热力图,瀑布图,频谱色图等
  3. 数据结构与算法--二叉树的深度问题
  4. 前端学习(2312):react之路由基础
  5. linux的驱动开发——内核模块如何使用?
  6. Java动态代理全面分析
  7. .exe已停止工作_Windows 10累积更新KB4565503和KB4565483已发布
  8. android中倒计时控件CountDownTimer分析
  9. Django实战(一)-----用户登录与注册系统2(数据模型、admin后台、路由视图)
  10. 【更新】怎样免费下载百度文库文档
  11. Windows10系统把JDK安装到D盘上的步骤及安装
  12. Android Studio下运行开源项目9GAG遇到的问题
  13. VirtualBox调试分辨率时遇到的问题
  14. 测试用例设计——错误猜测法
  15. 小米MIUI备份/小米助手数据通过BAK进行恢复 | 生成MIUI的descript.xml文件进行数据恢复 | 手动恢复MIUI备份/小米助手数据
  16. 百词斩个人中心功能测试
  17. JAVA程序员常用访问网址
  18. [渝粤教育] 西南科技大学 农产品贮藏与加工 在线考试复习资料
  19. 史蒂芬·霍金于今日至17日访问香港
  20. 莆田第十一中学2021年高考成绩查询,2021莆田市地区高考成绩排名查询,莆田市高考各高中成绩喜报榜单...

热门文章

  1. qq音乐linux版本下载地址,qq音乐linux版本下载
  2. 翻译记忆库 Translation Memory
  3. 什么是黑链?常见的黑链代码?
  4. 实用软件工程(张海藩)复习笔记
  5. Windows,bat批量ping脚本
  6. php和composer关系_使用Composer管理PHP依赖关系
  7. 面试被问离职原因该怎么回答?
  8. 国内统一Android应用市场,最全最干净的安卓应用市场
  9. Linux随笔15-Ubuntu20.04允许root用户图形界面登录、chrony局域网时间同步服务、ipxe实现系统自动化安装
  10. c语言编程题-输出素数