Python爬虫简单运用爬取 * 的实现

功能1： 爬取西拉ip代理官网上的代理ip

环境：python3.8+pycharm
库：requests，lxml
浏览器：谷歌
IP地址：http://www.xiladaili.com/gaoni/

分析网页源码：

选中div元素后右键找到Copy再深入子菜单找到Copy Xpath点击一下就复制到XPath

我们复制下来的Xpth内容为：/html/body/div/div[3]/div[2]/table/tbody/tr[50]/td[1]
虽然可以查出来ip，但不利于程序自动爬取所有IP，利用谷歌XpathHelp测试一下

从上图可以看出，只匹配到了一个Ip，我们稍作修改，即可达到目的
，有关xpath规则，可以参考下表;

经过上面的规则学习后，我们修改为：//*[@class=‘mt-0 mb-2 table-responsive']/table/tbody/tr/td[1]，再利用xpthhelp工具验证一下：

这样我们就可以爬取整个页面的Ip地址了，为了方便爬取更多的IP，我们继续往下翻页，找到翻页按钮：

找规律，发现每翻一页，a标签下的href连接地址加1即可，python程序可以利用for循环解决翻页问题即可。
为了提高IP代理的质量，我们爬取评分高的IP来使用。找到评分栏下的Xpath路径，这里不再做详细介绍，思路参考上面找IP地址的思路，及XPath规则，过程参考下图：

Python代码实现

代码可复制粘贴直接使用，如果出现报错，修改一下cookie。这里使用代理ip爬取，防止IP被封。当然这里的代码还是基础的，有空可以写成代理池，多任务去爬。当然还可以使用其它思路去实现，这里只做入门介绍。当有了这些 * 后，我们可以用文件保存，或者保存到数据库中，根据实际使用情况而定，这里不做保存，只放到列表变量中保存。

import requests
from lxml import etree
import time

class XiLaIp_Spider:

def __init__(self):
   self.url = 'http://www.xiladaili.com/gaoni/'
   self.headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36',
     'cookie': 'td_cookie=1539882751; csrftoken=lymOXQp49maLMeKXS1byEMMmsavQPtOCOUwy6WIbfMNazZW80xKKA8RW2Zuo6ssy; Hm_lvt_31dfac66a938040b9bf68ee2294f9fa9=1592547159; Hm_lvt_9bfa8deaeafc6083c5e4683d7892f23d=1592535959,1592539254,1592612217; Hm_lpvt_9bfa8deaeafc6083c5e4683d7892f23d=1592612332',
   }
   self.proxy = '116.196.85.150:3128'
   self.proxies = {
     "http": "http://％(proxy)s/" ％ {'proxy': self.proxy},
     "https": "http://％(proxy)s/" ％ {'proxy': self.proxy}
   }
   self.list1 = []

def get_url(self):
   file = open('Ip_Proxy.txt', 'a', encoding='utf-8')
   ok_file = open('OkIp_Proxy.txt', 'a', encoding='utf-8')
   for index in range(50):
     time.sleep(3)
     try:
       res = requests.get(url=self.url if index == 0 else self.url + str(index) + "/", headers=self.headers,
                 proxies=self.proxies, timeout=10).text
     except:
       continue
     data = etree.HTML(res).xpath("//*[@class='mt-0 mb-2 table-responsive']/table/tbody/tr/td[1]")
     # '//*[@id="scroll"]/table/tbody/tr/td[1]'
     score_data = etree.HTML(res).xpath("//*[@class='mt-0 mb-2 table-responsive']/table/tbody/tr/td[8]")
     for i, j in zip(data, score_data):
       # file.write(i.text + '\n')
       score = int(j.text)
       # 追加评分率大于十万的ip
       if score > 100000:
         self.list1.append(i.text)
     set(self.list1)
   file.close()
   ok_ip = []
   for i in self.list1:
     try:
       # 验证代理ip是否有效
       res = requests.get(url='https://www.baidu.com', headers=self.headers, proxies={'http': 'http://' + i},
                 timeout=10)
       if res.status_code == 200:
         # ok_file.write(i + '\n')
         ok_ip.append(i)
     except:
       continue
   ok_file.close()
   return ok_ip

def run(self):
   return self.get_url()

dl = XiLaIp_Spider()
dl.run()

来源：https://blog.csdn.net/QQ128619/article/details/106915628