python爬蟲批量抓取ip代理

来源:https://www.cnblogs.com/albireo/archive/2019/03/14/10533079.html
-Advertisement-
Play Games

使用爬蟲抓取數據時,經常要用到多個ip代理,防止單個ip訪問太過頻繁被封禁。ip代理可以從這個網站獲取:http://www.xicidaili.com/nn/。因此寫一個python程式來獲取ip代理,保存到本地。python版本:3.6.3 運行程式: 查看文件: 之後就可以直接使用了 ...


使用爬蟲抓取數據時,經常要用到多個ip代理,防止單個ip訪問太過頻繁被封禁。
ip代理可以從這個網站獲取:http://www.xicidaili.com/nn/。
因此寫一個python程式來獲取ip代理,保存到本地。
python版本:3.6.3

 1 #grab ip proxies from xicidaili
 2 import sys, time, re, requests
 3 from multiprocessing.dummy import Pool as ThreadPool
 4 from lxml import etree
 5 
 6 IP_POOL = 'ip_pool.py'
 7 URL = 'http://www.xicidaili.com/nn/' #IP代理 高匿
 8 #URL = 'http://www.xicidaili.com/wt/' #IP代理 http
 9 RUN_TIME = time.strftime("%Y-%m-%d %H:%M", time.localtime()) #執行時間
10 
11 #用字典存放有效ip代理
12 alive_ip = {'http': [], 'https': []}
13 #多線程
14 pool = ThreadPool(20)
15 
16 #返回html文本
17 def get_html(url):
18     headers = {
19         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0",
20         "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
21         "Accept-Language": "zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3",
22         "Accept-Encoding": "gzip, deflate",
23         "Referer": "https://www.xicidaili.com/",
24         "Connection": "keep-alive",
25         "Upgrade-Insecure-Requests": "1"
26     }
27     r = requests.get(url, headers=headers)
28     r.encoding = 'utf-8'
29     return r.text
30 
31 #測試ip代理是否存活
32 def test_alive(proxy):
33     global alive_ip
34     proxies = {'http': proxy}
35     try:
36         r = requests.get('https://www.baidu.com', proxies=proxies, timeout=3)
37         if r.status_code == 200:
38             if proxy.startswith('https'):
39                 alive_ip['https'].append(proxy)
40             else:
41                 alive_ip['http'].append(proxy)
42     except:
43         print("%s無效!"%proxy)
44 
45 #解析html文本,獲取ip代理
46 def get_alive_ip_address():
47     iplist = []
48     html = get_html(URL)
49     selector = etree.HTML(html)
50     table = selector.xpath('//table[@id="ip_list"]')[0]
51     lines = table.xpath('./tr')[1:]
52     for line in lines:
53         speed, connect_time = line.xpath('.//div/@title')
54         data = line.xpath('./td')
55         ip = data[1].xpath('./text()')[0]
56         port = data[2].xpath('./text()')[0]
57         anonymous = data[4].xpath('./text()')[0]
58         ip_type = data[5].xpath('./text()')[0]
59         #過濾掉速度慢和非高匿的ip代理
60         if float(speed[:-1])>1 or float(connect_time[:-1])>1 or anonymous != '高匿':
61             continue
62         iplist.append(ip_type.lower() + '://' + ip + ':' + port)
63     pool.map(test_alive, iplist)
64 
65 #把抓取到的有效ip代理寫入到本地
66 def write_txt(output_file):
67     with open(output_file, 'w') as f:
68         f.write('#create time: %s\n\n' % RUN_TIME)
69         f.write('http_ip_pool = \\\n')
70         f.write(str(alive_ip['http']).replace(',', ',\n'))
71         f.write('\n\n')
72     with open(output_file, 'a') as f:
73         f.write('https_ip_pool = \\\n')
74         f.write(str(alive_ip['https']).replace(',', ',\n'))
75     print('write successful: %s' % output_file)
76 
77 def main():
78     get_alive_ip_address()
79     write_txt(output_file)
80 
81 if __name__ == '__main__':
82     try:
83         output_file = sys.argv[1] #第一個參數作為文件名
84     except:
85         output_file = IP_POOL
86     main()

運行程式:

root@c:test$ python get_ip_proxies.py
write successful: ip_pool.py

查看文件:

root@c:test$ vim ip_pool.py
 1 #create time: 2019-03-14 19:53
 2 
 3 http_ip_pool = \
 4 ['http://183.148.152.1:9999',
 5  'http://112.85.165.234:9999',
 6  'http://112.87.69.162:9999',
 7  'http://111.77.197.10:9999',
 8  'http://113.64.94.80:8118',
 9  'http://61.184.109.33:61320',
10  'http://125.126.204.82:9999',
11  'http://125.126.218.8:9999',
12  'http://36.26.224.56:9999',
13  'http://123.162.168.192:40274',
14  'http://116.209.54.125:9999',
15  'http://183.148.148.211:9999',
16  'http://111.177.161.111:9999',
17  'http://116.209.58.245:9999',
18  'http://183.148.143.38:9999',
19  'http://116.209.55.218:9999',
20  'http://114.239.250.15:9999',
21  'http://116.209.54.109:9999',
22  'http://125.123.143.98:9999',
23  'http://183.6.130.6:8118',
24  'http://183.148.143.166:9999',
25  'http://125.126.203.228:9999',
26  'http://111.79.198.74:9999',
27  'http://116.209.53.215:9999',
28  'http://112.87.69.124:9999',
29  'http://112.80.198.13:8123',
30  'http://182.88.160.16:8123',
31  'http://116.209.56.24:9999',
32  'http://112.85.131.25:9999',
33  'http://116.209.52.234:9999',
34  'http://175.165.128.223:1133',
35  'http://122.4.47.199:8010',
36  'http://112.85.170.204:9999',
37  'http://49.86.178.206:9999',
38  'http://125.126.215.187:9999']
39 
40 https_ip_pool = \
41 ['https://183.148.156.98:9999',
42  'https://111.79.199.167:808',
43  'https://61.142.72.150:39894',
44  'https://119.254.94.71:42788',
45  'https://221.218.102.146:33323',
46  'https://122.193.246.29:9999',
47  'https://183.148.139.173:9999',
48  'https://60.184.194.157:3128',
49  'https://118.89.138.129:52699',
50  'https://112.87.71.67:9999',
51  'https://58.56.108.226:43296',
52  'https://182.207.232.135:50465',
53  'https://111.177.186.32:9999',
54  'https://58.210.133.98:32741',
55  'https://115.221.116.71:9999',
56  'https://183.148.140.191:9999',
57  'https://183.148.130.143:9999',
58  'https://116.209.54.84:9999',
59  'https://125.126.219.125:9999',
60  'https://112.85.167.158:9999',
61  'https://112.85.173.76:9999',
62  'https://60.173.244.133:41306',
63  'https://183.148.147.223:9999',
64  'https://116.209.53.68:9999',
65  'https://111.79.198.102:9999',
66  'https://123.188.5.11:1133',
67  'https://60.190.66.131:56882',
68  'https://112.85.168.140:9999',
69  'https://110.250.65.108:8118',
70  'https://221.208.39.160:8118',
71  'https://116.209.53.77:9999',
72  'https://116.209.58.29:9999',
73  'https://183.148.141.129:9999',
74  'https://124.89.33.59:53281',
75  'https://116.209.57.149:9999',
76  'https://58.62.238.150:32431',
77  'https://218.76.253.201:61408']

之後就可以直接使用了

from ip_pool import http_ip_pool, https_ip_pool

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • <<<模板變數>>> (1)定義視圖函數 通過context傳遞參數來渲染模板,context要是個字典 當模板變數為可調用對象的時候,函數不傳遞參數 (2)配置模板文件 模板裡面引入模板變數用{{ }} 【"."可以用於取方法,屬性,字典的鍵值以及索引】 (3)訪問 模板變數不限於上面舉例的,有興 ...
  • AbstractQueuedSynchronizer 隊列同步器(AQS) 隊列同步器 (AQS), 是用來構建鎖或其他同步組件的基礎框架,它通過使用 int 變數表示同步狀態,通過內置的 FIFO 的隊列完成資源獲取的排隊工作。(摘自《Java併發編程的藝術》) 我們知道獲取同步狀態有獨占和共用兩 ...
  • 廢話不多說!!! 在SpringCloud項目中配置了Feign來調用restful介面,項目啟動的時候報錯,報錯信息如下: 找不到org.springframework.cloud.client.loadbalancer.LoadBalancedRetryFactory,我在IDE中全局搜索了一下 ...
  • QLineEdit是使用頻率最高的控制項之一,當我們想獲取用戶輸入時自然而然得會用到它。 通常我們會將QLineEdit的信號或其他控制項的信號綁定至槽函數,然後獲取並處理編輯器內的數據。你會覺得我們拿到的是第一手的“熱乎著”的數據,所以理所當然地將過濾和驗證邏輯都加入槽函數中,然而事實並非如此。那麼數 ...
  • 簡單的巨集替換 1.巨集定義必須寫在第一次使用該巨集定義的代碼之前; 2.巨集定義不是以分號結束的 3.#define string1 string2 之間至少要有一個空格 4.string 1稱為巨集,string2 稱為巨集擴展 5. 巨集名用大寫的字母表示是一個習慣 6.使用巨集的好處: a 簡化程式的書寫 ...
  • 一個渣渣的再次分享: 標題:猜字母 把abcd...s共19個字母組成的序列重覆拼接106次,得到長度為2014的串。 接下來刪除第1個字母(即開頭的字母a),以及第3個,第5個等所有奇數位置的字母。 得到的新串再進行刪除奇數位置字母的動作。如此下去,最後只剩下一個字母,請寫出該字母。 答案是一個小 ...
  • 一個小渣渣的隨筆開始:標題:奇怪的分式 上小學的時候,小明經常自己發明新演算法。一次,老師出的題目是: 1/4 乘以 8/5 小明居然把分子拼接在一起,分母拼接在一起,答案是:18/45 (參見圖1.png) 老師剛想批評他,轉念一想,這個答案湊巧也對啊,真是見鬼! 對於分子、分母都是 1~9 中的一 ...
  • 動態函數 *args 是動態關鍵字參數,在形參位置*叫做聚合,*args會把位置參數沒有對應上的元素都'吃'掉,組成一個元組. #位置參數大於動態參數. **kwargs 動態關鍵字參數 # args 和 kwargs 是可以更換的,但是程式員約定都用它 # 用途:在不明確接收參數、數量時使用*ar ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...