Python使用requests xpath 并开启多线程爬取西刺代理ip实例

作者:haeasringnar 时间:2023-05-01 23:36:51 

我就废话不多说啦,大家还是直接看代码吧!


import requests,random
from lxml import etree
import threading
import time

angents = [
 "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
 "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
 "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
 "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
 "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
 "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
 "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
 "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
 "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
 "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
 "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
 "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
 "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
 "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
 "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]

def get_all_xici_urls(start_num,stop_num):
 xici_urls = []
 for num in range(start_num,len(stop_num)+1):
   xici_http_url = 'http://www.xicidaili.com/wt/'
   xici_http_url += str(num)
   xici_urls.append(xici_http_url)
 print('获取所有待爬取xici url 已完成...')
 return xici_urls
def get_all_http_ip(xici_http_url,headers,proxies_list):
 try:
   all_ip_xpath = '//table//tr/child::*[2]/text()'
   all_prot_xpath = '//table//tr/child::*[3]/text()'
   response = requests.get(url=xici_http_url,headers=headers)
   html_tree = etree.HTML(response.text)
   ip_list = html_tree.xpath(all_ip_xpath)
   port_list = html_tree.xpath(all_prot_xpath)
   # print(ip_list)
   # print(prot_list)
   new_proxies_list = []
   for index in range(1,len(ip_list)):
     # print('http://{}:{}'.format(ip_list[index],port_list[index]))
     proxies_dict = {}
     proxies_dict['http'] = 'http://{}:{}'.format(str(ip_list[index]),str(port_list[index]))
     new_proxies_list.append(proxies_dict)
   proxies_list += new_proxies_list
   return proxies_list
 except Exception as e:
   print('发生了错误:url为 ',xici_http_url,'错误为 ',e)

if __name__ == '__main__':
 start_num = int(input('请输入起始页面:').strip())
 stop_num = int(input('请输入结束页面:').strip())
 print('开始爬取...')
 t_list = []
 # 容纳需要使用的西刺代理ip
 proxies_list = []
 # 使用多线程
 xici_urls = get_all_xici_urls(start_num,stop_num)
 for xici_get_url in xici_urls:
   #随机筛选一个useragent
   headers = {'User-Agent': random.choice(angents)}
   t = threading.Thread(target=get_all_http_ip,args=(xici_get_url,headers,proxies_list))
   t.start()
   t_list.append(t)
 for j in t_list:
   j.join()
 print('所有需要的代理ip已爬取完成...')
 print(proxies_list)
 print(len(proxies_list))

补充知识:python爬取xici的免费代理、并验证(重点、清楚)

网上爬取xici的帖子很多,但是验证都说的不是很清楚,这里我会认真给大家解释

这里我写了一个代理类proxy,写了四个方法(个人写法不必在意),get_user_agent(得到随机use-agent,请求头中最重要的一个)、get_proxy(爬取 * )、test_proxy(验证代理可用性)、store_txt(将可用的代理保存到txt文件中。

1.爬取:headers是请求头,choice是可以选择是爬取Http代理还是https代理,first、end为开始和结束的页码(结束不包含最后一页)


def get_proxy(self, headers, choice='http', first=1, end=2):
   """
   获取代理
   :param choice:
   :param first: 开始爬取的页数
   :param end: 结束爬取的后一页
   :return:
   """

ip_list = []
   base_url = None

# 选择爬取的网站,一个是http、一个是https的
   if choice == 'http':
     base_url = 'http://www.xicidaili.com/wt/'
   elif choice == 'https':
     base_url = 'http://www.xicidaili.com/wn/'

# 控制页码用正则匹配,并将爬取的IP和端口号用:链接
   for n in range(first, end):
     actual_url = base_url + str(n)
     html = requests.get(url=actual_url, headers=headers).text
     pattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'
     re_list = re.findall(pattern, html)

for ip_port in re_list:
       ip_port = ip_port[0] + ':' + ip_port[1]
       ip_list.append(ip_port)
   return ip_list

2. 验证:网上大部分是用request直接请求一个网址看是否通过或者看状态码是否是200, 但是有一个问题是即使你设置了 * 。可能会通过,但通过的不是用你设置的 * 而是用你自己公网下的IP(大部分时候我们用ifconfig查询的是我们所在局域网下的IP,及私网IP)。

linux下你可以用这些命令的其中任何一个查看你的公网IP:

curl icanhazip.com
curl ifconfig.me
curl curlmyip.com
curl ip.appspot.com
curl ipinfo.io/ip
curl ipecho.net/plain
curl www.trackip.net/i

注意:那这样要怎么办,其实我们可以向上述命令一样先用你爬下的 * 访问 http://icanhazip.com/, 它可以返回你电脑发送请求时的公网IP(此时如果你设置 * 了就会是返回你所发送请求的 * ),然后你将它爬取下来(直接获取返回的值的文本就可以了),并和你发送请求时的 * 作比较,如果不相等说明此 * 不能用,因为虽然你设置了代理Ip,但是电脑在你 * 请求不同的情况下,直接又使用了你公网的IP去请求,当然成功了,但不代表你的 * 可以用。如果相等,那就证明此网站就是你所用的 * 访问请求成功的,所以此IP可用。


def test_proxy(self, ip_port, choice='http'):
   """
   测试代理是否能用
   :param ip_port:
   :param choice:
   :return:
   """
   proxies = None

# 这个网站可以返回你公网下的IP,如果你加代理请求后,返回的就是你代理的IP(这样做是防止你虽然用的是 * ,但实际是用你自己的公网IP访问的请求)
   tar_url = "http://icanhazip.com/"

# 获取随机User-agent
   user_agent = self.get_user_agent()

# 将user-agent放在headers中
   headers = {'User-Agent': user_agent}

# 选择验证的是http、还是https
   if choice == 'http':
     proxies = {
       "http": "http://"+ip_port,
     }

elif choice == 'https':
     proxies = {
       "https": "https://" + ip_port,
     }

try:
     # 将IP从IP和端口号连起来的分出来
     thisIP = "".join(ip_port.split(":")[0:1])
     res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)

# 爬取下来返回的值,一定要用strip去除空格
     proxyIP = res.text.strip()

# 三个状态,如过直接通不过,那就返回false,如果通过但是不是代理的IP,也返回false
     if proxyIP == thisIP:
       return proxyIP
     else:
       return False
   except:
     return False

最后附上整段代码:


import requests
import re
import random
import codecs
from urllib import parse

class proxy:
 """
 代理类
 """
 def __init__(self):
   pass

def get_user_agent(self):
   """
   得到随机user-agent
   :return:
   """
   user_agents = [
     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
     "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
     "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
     "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
     "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
     "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
     "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
     "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
     "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
     "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
     "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
     "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
     "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
     "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
     "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
     "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
     "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
     "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
   ]
   user_agent = random.choice(user_agents)
   return user_agent

def get_proxy(self, headers, choice='http', first=1, end=2):
   """
   获取代理
   :param choice:
   :param first: 开始爬取的页数
   :param end: 结束爬取的后一页
   :return:
   """

ip_list = []
   base_url = None
   if choice == 'http':
     base_url = 'http://www.xicidaili.com/wt/'
   elif choice == 'https':
     base_url = 'http://www.xicidaili.com/wn/'

for n in range(first, end):
     actual_url = base_url + str(n)
     html = requests.get(url=actual_url, headers=headers).text
     pattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'
     re_list = re.findall(pattern, html)

for ip_port in re_list:
       ip_port = ip_port[0] + ':' + ip_port[1]
       ip_list.append(ip_port)
   return ip_list

def test_proxy(self, ip_port, choice='http'):
   """
   测试代理是否能用
   :param ip_port:
   :param choice:
   :return:
   """
   proxies = None
   # 这个网站可以返回你公网下的IP,如果你加代理请求后,返回的就是你代理的IP(这样做是防止你虽然用的是 * ,但实际是用你自己的公网IP访问的请求)
   tar_url = "http://icanhazip.com/"
   user_agent = self.get_user_agent()
   headers = {'User-Agent': user_agent}
   if choice == 'http':
     proxies = {
       "http": "http://"+ip_port,
     }

elif choice == 'https':
     proxies = {
       "https": "https://" + ip_port,
     }
   try:
     thisIP = "".join(ip_port.split(":")[0:1])
     res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)
     proxyIP = res.text.strip()
     if proxyIP == thisIP:
       return proxyIP
     else:
       return False
   except:
     return False

def store_txt(self, choice='http', first=1, end=2):
   """
   将测试通过的ip_port保存为txt文件
   :param choice:
   :param first:
   :param end:
   :return:
   """
   user_agent = self.get_user_agent()
   headers = {'User-Agent': user_agent}
   ip_list = self.get_proxy(headers=headers, choice=choice, first=first, end=end)
   with codecs.open("Http_Agent.txt", 'a', 'utf-8') as file:
     for ip_port in ip_list:
       ip_port = self.test_proxy(ip_port, choice=choice)
       print(ip_port)
       if ip_port:
         file.write('\'' + ip_port + "\'\n")

来源:https://blog.csdn.net/haeasringnar/article/details/82558855

标签:Python,requests,xpath,西刺代理ip
0
投稿

猜你喜欢

  • Python实现判断给定列表是否有重复元素的方法

    2021-05-25 13:34:59
  • JS简单的轮播的图片滚动实例

    2024-03-19 19:46:31
  • Python使用pywebview开发桌面应用的全过程

    2023-08-16 09:11:18
  • Golang实现http重定向https

    2024-04-26 17:27:57
  • 利用Python绘画双摆操作分享

    2022-12-08 21:30:36
  • Python获取、格式化当前时间日期的方法

    2021-05-27 17:34:06
  • python安装pywifi全过程

    2023-05-25 22:59:29
  • python定时器使用示例分享

    2023-04-06 15:03:57
  • idea创建springMVC框架和配置小文件的教程图解

    2021-04-03 15:22:54
  • Javascript中数组方法汇总(推荐)

    2023-07-16 08:33:02
  • Go语言中使用反射的方法

    2023-07-22 22:31:48
  • keras 自定义loss层+接受输入实例

    2023-09-23 16:37:55
  • 通过SQL Server的位运算功能巧妙解决多选查询方法

    2024-01-22 01:21:26
  • Python中requests库的学习方法详解

    2022-10-13 07:32:36
  • go语言net包rpc远程调用的使用示例

    2024-05-29 22:06:05
  • knockoutjs动态加载外部的file作为component中的template数据源的实现方法

    2024-04-10 10:38:26
  • python GUI库图形界面开发之PyQt5表单布局控件QFormLayout详细使用方法与实例

    2023-08-11 19:10:44
  • django云端留言板实例详解

    2023-12-13 08:17:59
  • 解决python opencv无法显示图片的问题

    2021-09-11 13:26:37
  • Python 利用高德地图api实现经纬度与地址的批量转换

    2021-08-13 19:52:05
  • asp之家 网络编程 m.aspxhome.com