1. 程式人生 > >怎麼來爬取代理伺服器ip地址?

怎麼來爬取代理伺服器ip地址?

     一年前突然有個靈感,想搞個強大的網盤搜尋引擎,但由於大學本科學習軟體工程偏嵌入式方向,web方面的能力有點弱,不會jsp,不懂html,好久沒有玩過sql,但就是趁著年輕人的這股不妥協的勁兒,硬是把以前沒有學習的全部給學了一遍,現在感覺web原來也就那麼回事。好了,廢話就不說了,看到本文的讀者,可以先看看我做的東西:去轉盤網

言歸正傳,由於我要爬取百度網盤,而度娘你懂的的搞爬蟲出生的,反爬蟲的能力很牛掰。尤其像我用我的電腦去爬百度網盤,爬幾天百度就盯上了我的機子,爬蟲開始爬不出東西。之後網上東查,西查,發現可以通過代理來解決這個問題,所以又去爬代理。我爬的是這個網站:

http://www.xicidaili.com/ 之後他貌似他開始反擊,我又將魔爪指向了:http://www.kuaidaili.com。

想必看這篇博文的多半是程式猿,所以還是先上程式碼(我會寫註釋的,放心,該爬蟲以http://www.xicidaili.com/為目標):

#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): #這個就不說了,資料庫初始化,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): #這個函式用來爬取代理
while num>0:
global proxy,ID,uk,classify,ST
count=0
for page in range(1,718): #代理網站總頁數,我給了個718頁
if self.chance >0: #羊毛出在羊身上,如過爬取網站開始反擊我,我就從他那爬下來的
代理偽裝,這個self.chance表示我什麼時候開始換代理
if ST % 100==0:
self.dbcurr.execute("select count(*) from proxy")
for r in self.dbcurr:
count=r[0]
if ST>count:
ST=1000 #我是從資料庫的第1000條開始換的,這段你可以改,搞個隨機函式隨機換,我寫的很簡單
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) #註冊代理
# opener = urllib2.build_opener(proxy_support,urllib2.HTTPHandler(debuglevel=1))
opener = urllib2.build_opener(proxy_support)
urllib2.install_opener(opener)
#新增頭資訊,模仿瀏覽器抓取網頁,對付返回403禁止訪問的問題
# 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() #這不就獲取了要爬取的頁面嘛?
except Exception as ex: #看丟擲異常了,可能開始反擊我,我開始換代理
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 !="": #解析爬取的頁面,用的beautifulSoup
soup = BeautifulSoup(html_doc,from_encoding="utf8")
#print "soup",soup
#trs = soup.find('table', id='ip_list').find_all('tr') #獲得所有行
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() #埠
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,入庫時間
http_ip = protocol+'://'+ip+':'+port
if protocol == 'HTTP' or protocol == 'HTTPS': #只要http協議相關代理,其他一律不要
content=""
try: #我就是不放心這個網站,所以爬下來後我又開始檢測代理是否真的有效
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)) #這是我的資料庫,我取了一個叫uk的東東,這個
你不用管,你想檢測拿你要爬取的連結檢測代理吧
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" #我用來檢測的連結
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: #拋異常後的處理
#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: #檢驗該代理是有用的,因為content!="" 並且度娘返回not -55
print "success."
self.dbcurr.execute('select ID from proxy where IP=%s', (ip)) #開始入庫了
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" #這個是原來網站的那幾個標籤欄名稱,我是一欄一欄的爬取的
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,單執行緒,爬個1兩週沒有問題


 以上就是本人的代理爬蟲程式碼,有興趣可以加我qq:3047689758,還可以去:www.quzhuanpan.com首頁關注我們的微博(如果你沒有看到微博,可能是新程式碼我沒有推),謝謝閱讀,歡迎轉載。