栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 系统运维 > 运维 > Linux

Python多线程抓取代理服务器

Linux 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

Python多线程抓取代理服务器

Python作为一门功能强大的脚本语言来说,经常被用来写爬虫程序,下面是Python爬虫多线程抓取代理服务器。

年前是用 //linuxeye.com/340.html 来抓取代理服务器的,谁知道过完年回来http://www.cnproxy.com/被墙,导致某网站不能抓取东西,停止更新。

现在改抓取 http://www.proxy.com.ru 的代理服务器,这里的代理服务器更多,更简单。

下面代码可以直接用,代码如下:

    #!/usr/bin/env python
    #coding:utf-8
    #BLOG: linuxeye.com
    
    
    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'''(d+)(.+?)(d+)(.+?)(.+?)''')
    
    
    #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:%st%st%s" %(proxy[0],proxy[1],proxy[2],proxy[3])
            proxy_ok.append((proxy[0],proxy[1],proxy[3],proxy[2]))
            f.write("%s:%st%st%sn"%(proxy[0],proxy[1],proxy[2],proxy[3]))
    f.close()
    
    
    db_insert(proxy_ok)

测试结果如下:

    # python -V
    Python 2.6.6
    # python proxy.py
    ['61.58.94.179', '8088', 'xe5x8fxb0xe6xb9xbexe7x9cx81 xe5x8fxb0xe6xb9xbexe5xaexbdxe9xa2x91xe9x80x9axe8xaexafxe9xa1xbexe9x97xaexe8x82xa1xe4xbbxbdxe6x9cx89xe9x99x90xe5x85xacxe5x8fxb8']
    ['200.84.116.99', '9064', 'xe5xa7x94xe5x86x85xe7x91x9exe6x8bx89 ']
    ['183.223.204.8', '8123', 'xe5x9bx9bxe5xb7x9dxe7x9cx81xe8x87xaaxe8xb4xa1xe5xb8x82 xe7xa7xbbxe5x8axa8']
    ..........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)  
Thu Feb 26 11:30:21 CST 2015
转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/10173.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号