python爬虫如何抓取代理服务器

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：www.quzhuanpan.com

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，有兴趣可以加我qq：3047689758，还可以去：www.quzhuanpan.com首页关注我们的微博（如果你没有看到微博，可能是新代码我没有推），谢谢阅读，欢迎转载。

本文出自 “黄歇” 博客，请务必保留此出处http://5912119.blog.51cto.com/5902119/1730398

原文：http://5912119.blog.51cto.com/5902119/1730398