python爬取xici的免费代理、并验证(重点、清楚)

网上爬取xici的帖子很多，但是验证都说的不是很清楚，这里我会认真给大家解释

这里我写了一个代理类proxy，写了四个方法（个人写法不必在意），get_user_agent（得到随机use-agent,请求头中最重要的一个）、get_proxy(爬取代理IP)、test_proxy(验证代理可用性）、store_txt(将可用的代理保存到txt文件中。

1.爬取：headers是请求头，choice是可以选择是爬取Http代理还是https代理，first、end为开始和结束的页码（结束不包含最后一页）

 def get_proxy(self, headers, choice='http', first=1, end=2):"""获取代理:param choice::param first: 开始爬取的页数:param end: 结束爬取的后一页:return:"""ip_list = []base_url = None# 选择爬取的网站，一个是http、一个是https的if choice == 'http':base_url = 'http://www.xicidaili.com/wt/'elif choice == 'https':base_url = 'http://www.xicidaili.com/wn/'# 控制页码用正则匹配，并将爬取的IP和端口号用:链接for n in range(first, end):actual_url = base_url + str(n)html = requests.get(url=actual_url, headers=headers).textpattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'re_list = re.findall(pattern, html)for ip_port in re_list:ip_port = ip_port[0] + ':' + ip_port[1]ip_list.append(ip_port)return ip_list

2. 验证：网上大部分是用request直接请求一个网址看是否通过或者看状态码是否是200，但是有一个问题是即使你设置了代理IP。可能会通过，但通过的不是用你设置的代理IP而是用你自己公网下的IP（大部分时候我们用ifconfig查询的是我们所在局域网下的IP，及私网IP）。

linux下你可以用这些命令的其中任何一个查看你的公网IP：

curl icanhazip.com
curl ifconfig.me
curl curlmyip.com
curl ip.appspot.com
curl ipinfo.io/ip
curl ipecho.net/plain
curl www.trackip.net/i

注意：那这样要怎么办，其实我们可以向上述命令一样先用你爬下的代理IP访问 http://icanhazip.com/，它可以返回你电脑发送请求时的公网IP（此时如果你设置代理IP了就会是返回你所发送请求的代理IP），然后你将它爬取下来（直接获取返回的值的文本就可以了），并和你发送请求时的代理IP作比较，如果不相等说明此代理IP不能用，因为虽然你设置了代理Ip，但是电脑在你代理IP请求不同的情况下，直接又使用了你公网的IP去请求，当然成功了，但不代表你的代理IP可以用。如果相等，那就证明此网站就是你所用的代理IP访问请求成功的，所以此IP可用。

def test_proxy(self, ip_port, choice='http'):"""测试代理是否能用:param ip_port::param choice::return:"""proxies = None# 这个网站可以返回你公网下的IP，如果你加代理请求后，返回的就是你代理的IP（这样做是防止你虽然用的是代理IP，但实际是用你自己的公网IP访问的请求）tar_url = "http://icanhazip.com/"# 获取随机User-agentuser_agent = self.get_user_agent()# 将user-agent放在headers中headers = {'User-Agent': user_agent}# 选择验证的是http、还是httpsif choice == 'http':proxies = {"http": "http://"+ip_port,}elif choice == 'https':proxies = {"https": "https://" + ip_port,}try:# 将IP从IP和端口号连起来的分出来thisIP = "".join(ip_port.split(":")[0:1])res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)# 爬取下来返回的值，一定要用strip去除空格proxyIP = res.text.strip()# 三个状态，如过直接通不过，那就返回false，如果通过但是不是代理的IP，也返回falseif proxyIP == thisIP:return proxyIPelse:return Falseexcept:return False

最后附上整段代码：

import requests
import re
import random
import codecs
from urllib import parseclass proxy:"""代理类"""def __init__(self):passdef get_user_agent(self):"""得到随机user-agent:return:"""user_agents = ["Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)","Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)","Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)","Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)","Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6","Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0","Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5","Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20","Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5","Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre","Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"]user_agent = random.choice(user_agents)return user_agentdef get_proxy(self, headers, choice='http', first=1, end=2):"""获取代理:param choice::param first: 开始爬取的页数:param end: 结束爬取的后一页:return:"""ip_list = []base_url = Noneif choice == 'http':base_url = 'http://www.xicidaili.com/wt/'elif choice == 'https':base_url = 'http://www.xicidaili.com/wn/'for n in range(first, end):actual_url = base_url + str(n)html = requests.get(url=actual_url, headers=headers).textpattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'re_list = re.findall(pattern, html)for ip_port in re_list:ip_port = ip_port[0] + ':' + ip_port[1]ip_list.append(ip_port)return ip_listdef test_proxy(self, ip_port, choice='http'):"""测试代理是否能用:param ip_port::param choice::return:"""proxies = None# 这个网站可以返回你公网下的IP，如果你加代理请求后，返回的就是你代理的IP（这样做是防止你虽然用的是代理IP，但实际是用你自己的公网IP访问的请求）tar_url = "http://icanhazip.com/"user_agent = self.get_user_agent()headers = {'User-Agent': user_agent}if choice == 'http':proxies = {"http": "http://"+ip_port,}elif choice == 'https':proxies = {"https": "https://" + ip_port,}try:thisIP = "".join(ip_port.split(":")[0:1])res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)proxyIP = res.text.strip()if proxyIP == thisIP:return proxyIPelse:return Falseexcept:return Falsedef store_txt(self, choice='http', first=1, end=2):"""将测试通过的ip_port保存为txt文件:param choice::param first::param end::return:"""user_agent = self.get_user_agent()headers = {'User-Agent': user_agent}ip_list = self.get_proxy(headers=headers, choice=choice, first=first, end=end)with codecs.open("Http_Agent.txt", 'a', 'utf-8') as file:for ip_port in ip_list:ip_port = self.test_proxy(ip_port, choice=choice)print(ip_port)if ip_port:file.write('\'' + ip_port + "\'\n")

python爬取xici的免费代理、并验证(重点、清楚)相关推荐

python爬取QQ音乐免费歌曲 2020.7.26
python爬取qq音乐免费歌曲 2020.7.26 目标分析获取音乐列表 1.浏览器网络请求追踪 2.寻找音乐列表解析qq音乐 1.下载连接组成 2.获取vkey 3.获取sign参数关系图 ...
python 爬取西刺ip代理池
1. 如何在requests中设置ip代理最直接的用法,在get中添加proxies设置ip代理 proxies = {'https': 'http://183.148.153.147:9999/' ...
python爬取天天基金_python多线程+代理池爬取天天基金网、股票数据过程解析
简介提到爬虫,大部分人都会想到使用Scrapy工具,但是仅仅停留在会使用的阶段.为了增加对爬虫机制的理解,我们可以手动实现多线程的爬虫过程,同时,引入IP代理池进行基本的反爬操作. 本次使用天天基金 ...
Python 爬取蜻蜓FM免费音频页面的音频
ps:这段代码是9月用python写的,环境是在python3.6跑起来的.最初的构想是通过爬取微信公众号的音频文件,通过存储到mogodb和下载到本地.最后发现微信的页面千变万化,不好分析,正好&q ...
Python 爬取西刺可用代理IP，自带检测。
功能: 爬取西刺代理IP 添加了自动检测IP是否可用功能输出到Data.txt文件中注意: 爬取西刺的时候,有可能真实IP被封,可以先尝试爬取少量的代理IP,放入ip_use中. 测试: 1.测试 ...
python爬取去哪网数据_python最强的代理池，突破IP的封锁爬取海量数据（送项目源码）...
一个强大到超乎你的想象的异步IP池项目--async-proxy-pool 随着大型网站反扒机制的增强,更改IP登陆已经成为一种最高效的方式,为此打造一款超强IP池项目,采用最新最快的Python技术 ...
python爬取国内代理ip_【python】国内高匿代理爬取,并验证代理ip有效性
运行环境:python 3.7.3 所需库: 1. requests 2. lxml 3. time 4. multiprocessing 5. sys 目的:构建自己的代理ip池,针对封ip型反爬虫 ...
python爬取高匿代理IP（再也不用担心会进小黑屋了）
一起进步为什么要用代理IP 很多数据网站,对于反爬虫都做了一定的限制,这个如果写过一些爬虫程序的小伙伴应该都深有体会,其实主要还是IP进了小黑屋了,那么为了安全,就不能使用自己的实际IP去爬取人家网 ...
python爬取免费优质IP归属地查询接口
python爬取免费优质IP归属地查询接口 python爬取免费优质IP归属地查询接口具体不表,我今天要做的工作就是: 需要将数据库中大量ip查询出起归属地刚开始感觉好简单啊,毕竟只需要从百度找个 ...
python爬取简历模板_python 爬取免费简历模板网站的示例
代码 # 免费的简历模板进行爬取本地保存 # http://sc.chinaz.com/jianli/free.html # http://sc.chinaz.com/jianli/free_2.ht ...

python爬取xici的免费代理、并验证(重点、清楚)

python爬取xici的免费代理、并验证(重点、清楚)相关推荐

最新文章

热门文章