Python 多线程爬取西刺代理

简介: 西刺代理是一个国内IP代理,由于代理倒闭了,所以我就把原来的代码放出来供大家学习吧。

西刺代理是一个国内IP代理,由于代理倒闭了,所以我就把原来的代码放出来供大家学习吧。

首先找到所有的tr标签,与class="odd"的标签,然后提取出来。

image.png

然后再依次找到tr标签里面的所有td标签,然后只提取出里面的[1,2,5,9]这四个标签的位置,其他的不提取。

image.png

最后可以写出提取单一页面的代码,提取后将其保存到文件中。

import sys,re,threading
import requests,lxml
from queue import Queue
import argparse
from bs4 import BeautifulSoup

head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36"}

if __name__ == "__main__":
    ip_list=[]
    fp = open("SpiderAddr.json","a+",encoding="utf-8")
    url = "https://www.blib.cn/url/xcdl.html"
    request = requests.get(url=url,headers=head)
    soup = BeautifulSoup(request.content,"lxml")
    data = soup.find_all(name="tr",attrs={"class": re.compile("|[^odd]")})
    for item in data:
        soup_proxy = BeautifulSoup(str(item),"lxml")
        proxy_list = soup_proxy.find_all(name="td")
        for i in [1,2,5,9]:
            ip_list.append(proxy_list[i].string)
        print("[+] 爬行列表: {} 已转存".format(ip_list))
        fp.write(str(ip_list) + '\n')
        ip_list.clear()

爬取后会将文件保存为 SpiderAddr.json 格式。

image.png

最后再使用另一段代码,将其转换为一个SSR代理工具直接能识别的格式,{'http': 'http://119.101.112.31:9999'}

import sys,re,threading
import requests,lxml
from queue import Queue
import argparse
from bs4 import BeautifulSoup

if __name__ == "__main__":
    result = []
    fp = open("SpiderAddr.json","r")
    data = fp.readlines()

    for item in data:
        dic = {}
        read_line = eval(item.replace("\n",""))
        Protocol = read_line[2].lower()
        if Protocol == "http":
            dic[Protocol] = "http://" + read_line[0] + ":" + read_line[1]
        else:
            dic[Protocol] = "https://" + read_line[0] + ":" + read_line[1]
        result.append(dic)
        print(result)

image.png

完整多线程版代码如下所示。

import sys,re,threading
import requests,lxml
from queue import Queue
import argparse
from bs4 import BeautifulSoup

head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36"}

class AgentSpider(threading.Thread):
    def __init__(self,queue):
        threading.Thread.__init__(self)
        self._queue = queue

    def run(self):
        ip_list=[]
        fp = open("SpiderAddr.json","a+",encoding="utf-8")
        while not self._queue.empty():
            url = self._queue.get()
            try:
                request = requests.get(url=url,headers=head)
                soup = BeautifulSoup(request.content,"lxml")
                data = soup.find_all(name="tr",attrs={"class": re.compile("|[^odd]")})
                for item in data:
                    soup_proxy = BeautifulSoup(str(item),"lxml")
                    proxy_list = soup_proxy.find_all(name="td")
                    for i in [1,2,5,9]:
                        ip_list.append(proxy_list[i].string)
                    print("[+] 爬行列表: {} 已转存".format(ip_list))
                    fp.write(str(ip_list) + '\n')
                    ip_list.clear()
            except Exception:
                pass

def StartThread(count):
    queue = Queue()
    threads = []
    for item in range(1,int(count)+1):
        url = "https://www.xicidaili.com/nn/{}".format(item)
        queue.put(url)
        print("[+] 生成爬行链接 {}".format(url))

    for item in range(count):
        threads.append(AgentSpider(queue))
    for t in threads:
        t.start()
    for t in threads:
        t.join()

# 转换函数
def ConversionAgentIP(FileName):
    result = []
    fp = open(FileName,"r")
    data = fp.readlines()

    for item in data:
        dic = {}
        read_line = eval(item.replace("\n",""))
        Protocol = read_line[2].lower()
        if Protocol == "http":
            dic[Protocol] = "http://" + read_line[0] + ":" + read_line[1]
        else:
            dic[Protocol] = "https://" + read_line[0] + ":" + read_line[1]
        result.append(dic)
    return result

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("-p","--page",dest="page",help="指定爬行多少页")
    parser.add_argument("-f","--file",dest="file",help="将爬取到的结果转化为代理格式 SpiderAddr.json")
    args = parser.parse_args()
    if args.page:
        StartThread(int(args.page))
    elif args.file:
        dic = ConversionAgentIP(args.file)
        for item in dic:
            print(item)
    else:
        parser.print_help()
目录
相关文章
|
1天前
|
消息中间件 程序员 调度
Python并发编程:利用多线程提升程序性能
本文探讨了Python中的并发编程技术,重点介绍了如何利用多线程提升程序性能。通过分析多线程的原理和实现方式,以及线程间的通信和同步方法,读者可以了解如何在Python中编写高效的并发程序,提升程序的执行效率和响应速度。
|
6天前
|
监控 测试技术 持续交付
Python自动化测试代理程序可用性
总之,通过编写测试用例、自动化测试和设置监控系统,您可以确保Python自动化测试代理程序的可用性,并及时发现和解决问题。这有助于提供更可靠和高性能的代理服务。
11 4
|
9天前
|
数据采集 Web App开发 iOS开发
爬取B站评论:Python技术实现详解
爬取B站评论:Python技术实现详解
|
10天前
|
并行计算 安全 测试技术
Python多线程
【4月更文挑战第13天】对比多线程与多进程:多线程适合I/O密集型任务,轻量级但受GIL限制;多进程适用于CPU密集型任务,能实现真正并行。多线程直接共享内存,多进程独立内存,各有优劣。
9 0
|
10天前
|
数据采集 安全 Java
Python的多线程,守护线程,线程安全
Python的多线程,守护线程,线程安全
|
10天前
|
并行计算 数据处理 开发者
Python并发编程:解析异步IO与多线程
本文探讨了Python中的并发编程技术,着重比较了异步IO和多线程两种常见的并发模型。通过详细分析它们的特点、优劣势以及适用场景,帮助读者更好地理解并选择适合自己项目需求的并发编程方式。
|
11月前
|
数据采集 Python
python使用aiohttp通过设置代理爬取基金数据
python使用aiohttp通过设置代理爬取基金数据
|
11月前
|
数据安全/隐私保护 数据格式 Python
python爬取快手商品数据
python爬取快手商品数据
485 1
|
11月前
|
数据采集 Web App开发 JSON
python爬取共享单车悄然涨价大众的评论数据
python爬取共享单车悄然涨价大众的评论数据
|
12月前
|
数据采集 Python
python爬取叮咚买菜评价数据
python爬取叮咚买菜评价数据