尝试使用Python多线程抓取代理服务器IP地址的示例
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了尝试使用Python多线程抓取代理服务器IP地址的示例，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6007字，纯文字阅读大概需要9分钟。
内容图文
这里以抓取 http://www.proxy.com.ru 站点的代理服务器为例，代码如下：
#!/usr/bin/env python #coding:utf-8 import urllib2 import re import threading import time import MySQLdb rawProxyList = [] checkedProxyList = [] #抓取代理网站 targets = [] for i in xrange(1,42): target = r"http://www.proxy.com.ru/list_%d.html" % i targets.append(target) #抓取代理服务器正则 p = re.compile(r'''''') #获取代理的类 class ProxyGet(threading.Thread): def __init__(self,target): threading.Thread.__init__(self) self.target = target def getProxy(self): print "代理服务器目标网站： " + self.target req = urllib2.urlopen(self.target) result = req.read() #print chardet.detect(result) matchs = p.findall(result) # print matchs for row in matchs: ip=row[1] port =row[2] addr = row[4].decode("cp936").encode("utf-8") proxy = [ip,port,addr] print proxy rawProxyList.append(proxy) def run(self): self.getProxy() #检验代理的类 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])}) #print r'http://%s:%s' %(proxy[0],proxy[1]) opener = urllib2.build_opener(cookies,proxyHandler) opener.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0')] #urllib2.install_opener(opener) t1 = time.time() try: #req = urllib2.urlopen("http://www.baidu.com", timeout=self.timeout) req = opener.open(self.testUrl, timeout=self.timeout) #print "urlopen is ok...." result = req.read() #print "read html...." timeused = time.time() - t1 pos = result.find(self.testStr) #print "pos is %s" %pos if pos > 1: checkedProxyList.append((proxy[0],proxy[1],proxy[2],timeused)) #print "ok ip: %s %s %s %s" %(proxy[0],proxy[1],proxy[2],timeused) else: continue except Exception,e: #print e.message 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 #插入数据库，表结构自己创建，四个字段ip,port,speed,address def db_insert(insert_list): try: conn = MySQLdb.connect(host="localhost", user="root", passwd="admin",db="m_common",charset='utf8') cursor = conn.cursor() cursor.execute('delete from proxy') cursor.execute('alter table proxy AUTO_INCREMENT=1') cursor.executemany("INSERT INTO proxy(ip,port,speed,address) VALUES (%s,%s,%s,%s)",insert_list) conn.commit() cursor.close() conn.close() except MySQLdb.Error,e: print "Mysql Error %d: %s" % (e.args[0], e.args[1]) #代理排序持久化 proxy_ok = [] f= open("proxy_list.txt",'w+') for proxy in sorted(checkedProxyList,cmp=lambda x,y:cmp(x[3],y[3])): if proxy[3] < 8: #print "checked proxy is: %s:%s\t%s\t%s" %(proxy[0],proxy[1],proxy[2],proxy[3]) proxy_ok.append((proxy[0],proxy[1],proxy[3],proxy[2])) f.write("%s:%s\t%s\t%s\n"%(proxy[0],proxy[1],proxy[2],proxy[3])) f.close() db_insert(proxy_ok) (\d+) (.+?) (\d+) (.+?) (.+?)
测试：
python proxy.py
结果如下：
['61.58.94.179', '8088', '\xe5\x8f\xb0\xe6\xb9\xbe\xe7\x9c\x81 \xe5\x8f\xb0\xe6\xb9\xbe\xe5\xae\xbd\xe9\xa2\x91\xe9\x80\x9a\xe8\xae\xaf\xe9\xa1\xbe\xe9\x97\xae\xe8\x82\xa1\xe4\xbb\xbd\xe6\x9c\x89\xe9\x99\x90\xe5\x85\xac\xe5\x8f\xb8'] ['200.84.116.99', '9064', '\xe5\xa7\x94\xe5\x86\x85\xe7\x91\x9e\xe6\x8b\x89 '] ['183.223.204.8', '8123', '\xe5\x9b\x9b\xe5\xb7\x9d\xe7\x9c\x81\xe8\x87\xaa\xe8\xb4\xa1\xe5\xb8\x82 \xe7\xa7\xbb\xe5\x8a\xa8'] ..........总共抓取了1921个代理.......... ..........总共有524个代理通过校验.......... # more proxy_list.txt 202.106.169.142:80 北京市 联通ADSL 0.291432857513 111.13.136.59:80 北京市 移动 0.297957897186 111.13.136.56:80 北京市 移动 0.373070955276 111.206.81.248:80 北京市 联通 0.403017997742 111.13.136.58:80 北京市 移动 0.414332151413 124.202.217.134:8118 北京市 电信通 0.416817903519 124.202.183.218:8118 北京市 电信通 0.426618099213 120.132.71.232:80 北京市 联通 0.440200090408 61.232.6.164:8081 北京市 铁通 0.469615936279 118.144.96.253:80 北京市 电信通 0.485229969025 203.192.10.66:80 北京市 新华社 0.51485991478 124.202.182.22:8118 北京市 电信通 0.553130865097
数据库：
mysql> select * from m_common.proxy limit 10;
+----------+-----------------+------+----------+----------------------+---------------------+ | proxy_id | ip | port | speed | address | create_time | +----------+-----------------+------+----------+----------------------+---------------------+ | 1 | 202.106.169.142 | 80 | 0.291433 | 北京市 联通ADSL | 2015-02-26 11:29:24 | | 2 | 111.13.136.59 | 80 | 0.297958 | 北京市 移动 | 2015-02-26 11:29:24 | | 3 | 111.13.136.56 | 80 | 0.373071 | 北京市 移动 | 2015-02-26 11:29:24 | | 4 | 111.206.81.248 | 80 | 0.403018 | 北京市 联通 | 2015-02-26 11:29:24 | | 5 | 111.13.136.58 | 80 | 0.414332 | 北京市 移动 | 2015-02-26 11:29:24 | | 6 | 124.202.217.134 | 8118 | 0.416818 | 北京市 电信通 | 2015-02-26 11:29:24 | | 7 | 124.202.183.218 | 8118 | 0.426618 | 北京市 电信通 | 2015-02-26 11:29:24 | | 8 | 120.132.71.232 | 80 | 0.4402 | 北京市 联通 | 2015-02-26 11:29:24 | | 9 | 61.232.6.164 | 8081 | 0.469616 | 北京市 铁通 | 2015-02-26 11:29:24 | | 10 | 118.144.96.253 | 80 | 0.48523 | 北京市 电信通 | 2015-02-26 11:29:24 | +----------+-----------------+------+----------+----------------------+---------------------+ 10 rows in set (0.00 sec)
内容总结
以上是互联网集市为您收集整理的尝试使用Python多线程抓取代理服务器IP地址的示例全部内容，希望文章能够帮你解决尝试使用Python多线程抓取代理服务器IP地址的示例所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】