前幾天剛剛把正則表示式看了一些，也是隻是稍微懂了一點點，所以想要寫一個簡單的程式試一下。然後就想到了以前在找免費的代理的時候有好多不能用的，所以就嘗試著寫了一個這樣的爬蟲程式，寫的不是很好，寫的很複雜，等以後再去寫簡潔一些吧。

        先直接把程式碼弄上，然後再說一下里面的重點內容。

import re
import urllib.request
import  socket

def get_line(html):
    '''將對於ip有用的內容返回，返回值是列表!'''
    line_re = re.compile(r'(?:td>)(.+)(?:</td>)')
    list = line_re.findall(html)
    return list

def get_ip(html):
    '''得到所有的ip內容，以列表的形式返回!'''
    list = get_line(html)
    ip_re = re.compile(r'(?:25[0-5]\.|2[0-4]?\d\.|[01]?\d\d?\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d\d?)\b')
    ans_list = []
    list_len = len(list)
    str = ""
    for item in list:
        if ip_re.match(item) != None:
            ans_list.append(str)
            str = ''
            str += item
            continue
        if re.search('[\u4e00-\u9fa5]+',item) == None:
            str += '\t' + item
    return ans_list

def Judge_ip(ip_list):
    '''檢查ip是否可以用......'''
    url = 'http://ip.chinaz.com/getip.aspx'
    f = open('E:\\python_py\output.txt', 'w')
    #socket.setdefaulttimeout(3)#設定爬取網頁的時間限制,還有一種在面的open函式把timeout引數設定為3的方法
    for i in range(0,len(ip_list)):
        ip = ip_list[i].split('\t')
        if len(ip) == 3:
            try:
                proxy = {ip[2]: ip[0] + ':' + ip[1]}
                proxy_support = urllib.request.ProxyHandler(proxy)
                opener = urllib.request.build_opener(proxy_support)
                html = opener.open(url,timeout=3).read()
                f.write(ip_list[i] + '\n')
            except Exception as e:
                print ('代理 '+ ip[0]+' 不可用' )
                continue
    f.close()

if __name__ == '__main__':
    url = 'http://www.xicidaili.com/'
    rep = urllib.request.Request(url)
    rep.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36')
    reponse = urllib.request.urlopen(rep)
    html = reponse.read().decode('utf-8')
    ip_list = get_ip(html)
    Judge_ip(ip_list)
 

用到的正則表示式內容：

ip_re = re.compile(r'(?:25[0-5]\.|2[0-4]?\d\.|[01]?\d\d?\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d\d?)\b')
line_re = re.compile(r'(?:td>)(.+)(?:</td>)')
re.search('[\u4e00-\u9fa5]+',item)

ip_re 表示的是匹配一個代理IP地址


        我們發現在IP地址的有用的資訊兩邊都存在著<td>和<\td>所以就先把這個之間的內容提取出來，對應著正則表示式：line_re  的內容


第三個是匹配其中是否含有漢字資訊，我們這裡匹配的內容是IP地址，IP端號，以及IP型別，我們發現除了這三個內容之外，別的都是存在漢字的，所以我們需要把有用的資訊提取出來，這個就是這個正則表示式的作用


    在後面測試表達式是否可用的裡面：


我們判斷如果連線嘗試的阻塞等待時間大於 3 秒的話，我們就認為這個IP地址有問題，所以就被異常所捕獲，繼續判斷後面的IP地址是否可用.......


判斷IP可用的使用的網站是：


http://ip.chinaz.com/getip.aspx

    然後將可以使用的IP地址寫入檔案即可