Python使用requests xpath 并開啟多線程爬取西刺代理ip實例
更新時間：2020年03月06日 13:13:38 作者：haeasringnar
這篇文章主要介紹了Python使用requests xpath 并開啟多線程爬取西刺代理ip實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
我就廢話不多說啦，大家還是直接看代碼吧！
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('獲取所有待爬取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('發(fā)生了錯誤：url為 ',xici_http_url,'錯誤為 ',e)
if __name__ == '__main__':
start_num = int(input('請輸入起始頁面：').strip())
stop_num = int(input('請輸入結(jié)束頁面：').strip())
print('開始爬取...')
t_list = []
# 容納需要使用的西刺代理ip
proxies_list = []
# 使用多線程
xici_urls = get_all_xici_urls(start_num,stop_num)
for xici_get_url in xici_urls:
#隨機篩選一個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))
補充知識：python爬取xici的免費代理、并驗證(重點、清楚)
網(wǎng)上爬取xici的帖子很多，但是驗證都說的不是很清楚，這里我會認(rèn)真給大家解釋
這里我寫了一個代理類proxy，寫了四個方法（個人寫法不必在意），get_user_agent（得到隨機use-agent,請求頭中最重要的一個）、get_proxy(爬取代理IP)、test_proxy(驗證代理可用性）、store_txt(將可用的代理保存到txt文件中。
1.爬?。篽eaders是請求頭，choice是可以選擇是爬取Http代理還是https代理，first、end為開始和結(jié)束的頁碼（結(jié)束不包含最后一頁）
def get_proxy(self, headers, choice='http', first=1, end=2):
"""
獲取代理
:param choice:
:param first: 開始爬取的頁數(shù)
:param end: 結(jié)束爬取的后一頁
:return:
"""
ip_list = []
base_url = None
# 選擇爬取的網(wǎng)站，一個是http、一個是https的
if choice == 'http':
base_url = 'http://www.xicidaili.com/wt/'
elif choice == 'https':
base_url = 'http://www.xicidaili.com/wn/'
# 控制頁碼用正則匹配，并將爬取的IP和端口號用:鏈接
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. 驗證：網(wǎng)上大部分是用request直接請求一個網(wǎng)址看是否通過或者看狀態(tài)碼是否是200， 但是有一個問題是即使你設(shè)置了代理IP?？赡軙ㄟ^，但通過的不是用你設(shè)置的代理IP而是用你自己公網(wǎng)下的IP（大部分時候我們用ifconfig查詢的是我們所在局域網(wǎng)下的IP，及私網(wǎng)IP）。
linux下你可以用這些命令的其中任何一個查看你的公網(wǎng)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：那這樣要怎么辦，其實我們可以向上述命令一樣先用你爬下的代理IP訪問 http://icanhazip.com/， 它可以返回你電腦發(fā)送請求時的公網(wǎng)IP（此時如果你設(shè)置代理IP了就會是返回你所發(fā)送請求的代理IP），然后你將它爬取下來（直接獲取返回的值的文本就可以了），并和你發(fā)送請求時的代理IP作比較，如果不相等說明此代理IP不能用，因為雖然你設(shè)置了代理Ip，但是電腦在你代理IP請求不同的情況下，直接又使用了你公網(wǎng)的IP去請求，當(dāng)然成功了，但不代表你的代理IP可以用。如果相等，那就證明此網(wǎng)站就是你所用的代理IP訪問請求成功的，所以此IP可用。
def test_proxy(self, ip_port, choice='http'):
"""
測試代理是否能用
:param ip_port:
:param choice:
:return:
"""
proxies = None
# 這個網(wǎng)站可以返回你公網(wǎng)下的IP，如果你加代理請求后，返回的就是你代理的IP（這樣做是防止你雖然用的是代理IP，但實際是用你自己的公網(wǎng)IP訪問的請求）
tar_url = "http://icanhazip.com/"
# 獲取隨機User-agent
user_agent = self.get_user_agent()
# 將user-agent放在headers中
headers = {'User-Agent': user_agent}
# 選擇驗證的是http、還是https
if choice == 'http':
proxies = {
"http": "http://"+ip_port,
}
elif choice == 'https':
proxies = {
"https": "https://" + ip_port,
}
try:
# 將IP從IP和端口號連起來的分出來
thisIP = "".join(ip_port.split(":")[0:1])
res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)
# 爬取下來返回的值，一定要用strip去除空格
proxyIP = res.text.strip()
# 三個狀態(tài)，如過直接通不過，那就返回false，如果通過但是不是代理的IP，也返回false
if proxyIP == thisIP:
return proxyIP
else:
return False
except:
return False
最后附上整段代碼：
import requests
import re
import random
import codecs
from urllib import parse
class proxy:
"""
代理類
"""
def __init__(self):
pass
def get_user_agent(self):
"""
得到隨機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):
"""
獲取代理
:param choice:
:param first: 開始爬取的頁數(shù)
:param end: 結(jié)束爬取的后一頁
: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'):
"""
測試代理是否能用
:param ip_port:
:param choice:
:return:
"""
proxies = None
# 這個網(wǎng)站可以返回你公網(wǎng)下的IP，如果你加代理請求后，返回的就是你代理的IP（這樣做是防止你雖然用的是代理IP，但實際是用你自己的公網(wǎng)IP訪問的請求）
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):
"""
將測試通過的ip_port保存為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")
以上這篇Python使用requests xpath 并開啟多線程爬取西刺代理ip實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了關(guān)于keras中的Reshape用法，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-07-07
Python中常用操作字符串的函數(shù)與方法總結(jié)
這篇文章主要介紹了Python中常用操作字符串的函數(shù)與方法總結(jié),包括字符串的格式化輸出與拼接等基礎(chǔ)知識,需要的朋友可以參考下2016-02-02
pytorch 使用單個GPU與多個GPU進(jìn)行訓(xùn)練與測試的方法
今天小編就為大家分享一篇pytorch 使用單個GPU與多個GPU進(jìn)行訓(xùn)練與測試的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
這篇文章主要為大家詳細(xì)介紹了plotly分割顯示mnist的方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2022-03-03
在Python編程中運算符是用于執(zhí)行各種操作的特殊符號或關(guān)鍵字,下面這篇文章主要給大家介紹了關(guān)于Python中8種運算符介紹以及示例的相關(guān)資料,文中通過圖文介紹的非常詳細(xì),需要的朋友可以參考下2024-02-02
這篇文章主要介紹了Python淺拷貝與深拷貝用法,實例分析了Python淺拷貝與深拷貝的功能與使用方法,需要的朋友可以參考下2015-05-05
Python使用psutil庫實現(xiàn)系統(tǒng)監(jiān)控與管理詳解
在我們的測試工作中，監(jiān)控和管理系統(tǒng)資源是一項重要的任務(wù)，本文將介紹如何使用psutil庫來實現(xiàn)系統(tǒng)監(jiān)控和管理，以及一些實用的技巧和示例，希望對大家有所幫助2022-10-10
Python?中?Pandas?文件操作和讀取?CSV?參數(shù)詳解
CSV?又稱逗號分隔值文件，是一種簡單的文件格式，以特定的結(jié)構(gòu)來排列表格數(shù)據(jù)，這篇文章主要介紹了Python?之?Pandas?文件操作和讀取?CSV?參數(shù)詳解,需要的朋友可以參考下2023-03-03
這篇文章主要為大家詳細(xì)介紹了如何利用Python實現(xiàn)批量合并指定文件夾中的所有圖片并插入到Word文檔中并保存,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2023-10-10
這篇文章主要為大家介紹了Python全棧之JS，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2022-01-01