python爬虫代码--爬取免费代理ip

#!python3
# -*- encoding:utf-8 -*-
# 作者:大帅
# 程序目的:国内代理爬取收集存储备用

# 导入需要的模块
import requests,lxml,re,pprint,datetime,time,sys
from bs4 import BeautifulSoup

starttime = datetime.datetime.now()

pageNumber = 0

ipDictFinal = {}

# 爬取代理ip的目标网址并设置头信息
def getHtml(pagenumber=1):

    url = 'http://www.xicidaili.com/nn/'

    headers = {'User-agent':'Mozilla/5.0'}

    proxies = {'https':'http://115.221.112.28:20718'}

# 发送请求并进行编码处理

    r = requests.get(url=url+str(pagenumber),proxies = proxies,headers=headers,timeout=30)

    r.encoding = r.apparent_encoding

    html = r.text

    return html

# 利用bs4模块对网址进行格式化处理,方便提取标签信息
def ipGet(html):

    x = 0
    
    soup = BeautifulSoup(html,"html.parser")

    ipSpam = soup.find_all('tr',class_='odd')

    newsoup = BeautifulSoup(str(ipSpam),"html.parser")

    ip = newsoup.find_all('td')

# 建立存储ip的词典和临时存储的列表

    ipDict = {}

    iplist = []

# 对bs4定位后的标签信息编写正则提取信息

    for i in range(len(ip)):
        patternIp = re.compile(r'\d+\.\d+\.\d+\.\d+|^\d+$|^HTTP(S)?')
        rejex = patternIp.search(str(ip[i].string))
        if rejex == None :
            continue
        else:
# 对提取出来的信息进行第一步存储
            iplist.append(rejex.group())

# 由于词典key不支持列表,采用列表转元组的方法
    while x < (len(iplist)-2):
        iptuple = tuple(iplist)
        ipDict[iptuple[x]] = [iptuple[x+1],iptuple[x+2]]
        x += 3
    return ipDict

# 对元组进行分组赋值给词典的key和value
'''
    for i in range(len(iptuple)-1):
        if True :
            ipDict[iptuple[i][1]]=[iptuple[i][2],iptuple[i][3]]
        else:
            continue
'''
    

def ipSave(ipDict):
    pprint.pformat(ipDict)
    ipfile = open(r'f:\workspace\ipsave.py','w')
    ipfile.write('ipDict='+pprint.pformat(ipDict)+'\n')

if __name__ =="__main__":
    while True:
        pageNumber += 1
        time.sleep(3)
        ipDict1=ipGet(getHtml(pageNumber))
        ipDictFinal = ipDict1.copy()
        ipDictFinal.update(ipDictFinal)

        if pageNumber == 3:
            ipSave(ipDictFinal)
            print('已完成爬取,共爬取%d个代理' % len(ipDictFinal))
            break
        else:
            nowtime = datetime.datetime.now()
            killtime = (nowtime - starttime).seconds
            killtimestr = str(killtime)
            killtimeint = int(killtimestr)
            
            sys.stdout.write('程序正在执行中:已执行%d秒\n' % killtimeint)
            sys.stdout.flush()
            continue

# 漂亮打印验证
#pprint.pprint(ipDict)

    


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 220,492评论 6 513
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 94,048评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,927评论 0 358
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,293评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,309评论 6 397
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 52,024评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,638评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,546评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 46,073评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,188评论 3 340
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,321评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,998评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,678评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,186评论 0 23
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,303评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,663评论 3 375
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,330评论 2 358