说在前面的话
Hello，我是JAP君，相信经常使用爬虫的朋友对代理ip应该比较熟悉，代理ip就是可以模拟一个ip地址去访问某个网站。我们有时候需要爬取某个网站的大量信息时，可能由于我们爬的次数太多导致我们的ip被对方的服务器暂时屏蔽（也就是所谓的防爬虫防洪水的一种措施），这个时候就需要我们的代理ip出场了，今天我带大家来爬取西刺代理上面免费提供的代理ip并且我们来检测它的有效性来打造我们自己的代理ip池，废话不多说，咱们动工！
2思路分析(写爬虫前大家都必须要分析一下)
没错上图就是我们的西刺代理网站啦，今天我们就是来拿它的数据，老司机一看这个界面就会自动右击鼠标->查看源代码，我们也来看看：
我们会发现数据都在<tr>里面，并且<tr>里面有很多的<td>，每一个<td>都包含了我们所需要的数据。
看过我以前一些爬虫文章的朋友估计一下就知道该怎么下手了，但是不急我们还是来分析一下，毕竟这次数据量有点大，而且还得校验代理ip的有效性。
给大家画了张图，其实思路也很简单，也就不多阐述了。
3获取所有的代理ip以及相关信息并保存至文件txt中
我们就按照我们的思路来，在这里我们需要用到的几个库，给大家写出来：
from bs4 import BeautifulSoup import requests from urllib import request,error import threading
导入库后，我们首先获得代理ip，我们来定义一个方法：（每一句的解释我都写在注释里了）
def getProxy(url): # 打开我们创建的txt文件 proxyFile = open('proxy.txt', 'a') # 设置UA标识 headers = { 'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit ' '/ 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36' } # page是我们需要获取多少页的ip，这里我们获取到第９页 for page in range(1, 10): # 通过观察ＵＲＬ，我们发现原网址+页码就是我们需要的网址了，这里的page需要转换成str类型 urls = url+str(page) # 通过requests来获取网页源码 rsp = requests.get(urls, headers=headers) html = rsp.text # 通过BeautifulSoup，来解析html页面 soup = BeautifulSoup(html) # 通过分析我们发现数据在 id为ip_list的table标签中的tr标签中 trs = soup.find('table', id='ip_list').find_all('tr') # 这里获得的是一个list列表 # 我们循环这个列表 for item in trs[1:]: # 并至少出每个tr中的所有td标签 tds = item.find_all('td') # 我们会发现有些img标签里面是空的，所以这里我们需要加一个判断 if tds[0].find('img') is None: nation = '未知' locate = '未知' else: nation = tds[0].find('img')['alt'].strip() locate = tds[3].text.strip() # 通过td列表里面的数据，我们分别把它们提取出来 ip = tds[1].text.strip() port = tds[2].text.strip() anony = tds[4].text.strip() protocol = tds[5].text.strip() speed = tds[6].find('div')['title'].strip() time = tds[8].text.strip() # 将获取到的数据按照规定格式写入txt文本中，这样方便我们获取 proxyFile.write('%s|%s|%s|%s|%s|%s|%s|%s\n' % (nation, ip, port, locate, anony, protocol, speed, time))
上面的代码就是我们抓取西刺代理上的所有ip并将它们写入txt中，每一句的解释我都写在注释里面了，这里也就不多说了。
4校验代理ip的可用性
这里我是通过代理ip去访问百度所返回的状态码来辨别这个代理ip到底有没有用的。
def verifyProxy(ip): ''' 验证代理的有效性 ''' requestHeader = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36" } url = "http://www.baidu.com" # 填写代理地址 proxy = {'http': ip} # 创建proxyHandler proxy_handler = request.ProxyHandler(proxy) # 创建ｏｐｅｎｅｒ proxy_opener = request.build_opener(proxy_handler) # 安装opener request.install_opener(proxy_opener) try: req = request.Request(url, headers=requestHeader) rsq = request.urlopen(req, timeout=5.0) code = rsq.getcode() return code except error.URLError as e: return e
我们在这个方法中会得到一个状态码的返回，如果返回码是200，那么这个代理ip就是可用的。
def verifyProxyList(): verifiedFile = open('verified.txt', 'a') while True: lock.acquire() ll = inFile.readline().strip() lock.release() if len(ll) == 0 : break line = ll.strip().split('|') ip = line[1] port = line[2] realip = ip+':'+port code = verifyProxy(realip) if code == 200: lock.acquire() print("---Success:" + ip + ":" + port) verifiedFile.write(ll + "\n") lock.release() else: print("---Failure:" + ip + ":" + port)
我们写完校验方法后，我们就从我们事先爬取到的所有代理ip的txt文件中获取到ip和端口(ip地址:端口)，我们通过判断返回值是否为200来进行写入到有效的txt文件中。
5调用函数
万事俱备只欠调用！
if __name__ == '__main__': tmp = open('proxy.txt', 'w') tmp.write("") tmp.close() tmp1 = open('verified.txt', 'w') tmp1.write("") tmp1.close() getProxy("http://www.xicidaili.com/nn/") getProxy("http://www.xicidaili.com/nt/") getProxy("http://www.xicidaili.com/wn/") getProxy("http://www.xicidaili.com/wt/") all_thread = [] # 30个线程 for i in range(30): t = threading.Thread(target=verifyProxyList) all_thread.append(t) t.start() for t in all_thread: t.join() inFile.close() verifiedtxt.close()
因为西刺代理提供了四种代理ip，所以分别有四个网址。这里我们也采用了线程的方法，主要是为了防止出现线程互相争夺导致我们的数据不精确，在上面几个方法中我们也通过了同步锁来对其进行线程安全的保证。
6结尾
其实总体来说这个爬虫不是特别的难，主要的难点在于数据量可能有点多，很多人可能不会考虑到线程安全的问题，导致数据获取的不精确。
可能最近JAP君状态不太好，可能文章中会有一些错误，若发现，希望大家可以私聊我，我会进行修改，想获取完整代码的可以点击左下角“阅读原文”，如果觉得这篇文章对你有帮助，可以点击右下角的好看或者给JAP君加个小鸡腿。希望大家持续关注我---坚持原创的JAVAandPython君。
