python爬虫——爬取免费可用的代理(多线程爬取)

写了一个爬取免费代理网站的爬虫,时间仓促,本着工具类能用就行的原则,所以很多细节没有做。
由于免费代理有很多没法用,所以写了检测可用的功能,只保存可用的ip,并且以字典形式保存,方便requests中的proxies直接调用。
想要一次性爬取10页的内容,如果不开多线程速度有点慢。
先上爬虫代码:

import requests
import re, os, datetime, time,  random
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup as bs

user_agents =  ['Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50','Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11']
headers = {'User-Agent':random.choice(user_agents)}
ip = []
port = []
typ = []
http_url = 'https://www.xicidaili.com/nt/'  # 爬取目标,免费代理网站
test_url = 'http://icanhazip.com'  # 检测ip的网站
ip_list = []

r = requests.get(http_url, headers=headers, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
html = r.text
doc = pq(html)
page_url =  []

# 页码列表,页码改变时,底下750这个数值也要改变,每一页50个ip,可以自己算一下
page = ['1', '2', '3', '4', '5','6','7','8','9','10']    
for i in page:
    page_url.append('https://www.xicidaili.com/nt/' + i)
for i in page_url:
    
    odd = doc('.odd')
    for i in odd.items():
        for i in i('td:nth-child(2)').items():
            ip.append(i.text())

    for i in odd.items():
        for i in i('td:nth-child(3)').items():
            port.append(i.text())

    for i in odd.items():
        for i in i('td:nth-child(6)').items():
            typ.append(i.text())

def get_ip(i, path):
    url = {}
    url[ip_list[750+i]] = ip_list[750+i] + ":" + ip_list[i] + ":" + ip_list[500+i] 

    try:
        response = requests.get(test_url, headers=headers, proxies=url, timeout=30)  # 此段代码检测代理是否可用,可用的话就保存到txt文件
        print(response.status_code)
        if response.status_code == 200:
            with open(path, 'a+', encoding='utf-8') as f:
                f.write(str(url) + '\n')
            
    except requests.ConnectionError as e:
        print(e.args)
    
ip_list = ip + port + typ

def ip_check(ip_list):
    path = 'C:\\Users\\hj506\\Desktop\\ip.txt'  # 保存路径
    for i in range(250):
        get_ip(ip, path)  

ip_check(ip_list)

多线程需要引入threading库,只需要把ip_check函数改一下即可,其他不用动:

import threading
def ip_check(ip_list):
    path = 'C:\\Users\\hj506\\Desktop\\ip.txt'  # 保存路径
    for i in range(250):
         t = threading.Thread(target=get_ip, args=(i, path))
         t.start()

这样调用多线程就完成了,target是多线程运行的函数,args是表示函数需要传进来的参数,元组格式。然后t.start()启动多线程。

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 219,869评论 6 508
  • 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 93,716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 166,223评论 0 357
  • 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 59,047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 68,089评论 6 395
  • 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 51,839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 40,516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 39,410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 45,920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 38,052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 40,179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 35,868评论 5 346
  • 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 41,522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 32,070评论 0 22
  • 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 33,186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 48,487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 45,162评论 2 356

推荐阅读更多精彩内容

  • 线程 操作系统线程理论 线程概念的引入背景 进程 之前我们已经了解了操作系统中进程的概念,程序并不能单独运行,只有...
    go以恒阅读 1,645评论 0 6
  • 爬虫的目标 我的目的是爬取某直播网站某一天所有频道的网络流量数据,每一个频道有一个自己的页面,显示可视化后的流量数...
    酸辣粉多加辣椒阅读 3,391评论 0 2
  • 一文读懂Python多线程 1、线程和进程 计算机的核心是CPU,它承担了所有的计算任务。它就像一座工厂,时刻在运...
    星丶雲阅读 1,455评论 0 4
  • 在上上篇我们编写了一个简单的程序框架来爬取简书的文章信息,10分钟左右爬取了 1万 5千条数据。 现在,让我们先来...
    渔父歌阅读 2,439评论 1 9
  • 背景 对于IO操作来说,多线程和多进程差别不大,甚至多线程比多进程效率更高,因为对于操作系统来说,线程的调度比多进...
    StormZhu阅读 566评论 0 2