服务器之家

服务器之家 > 正文

python多线程爬取西刺代理的示例代码

时间:2021-08-31 00:31     来源/作者:王瑞

西刺代理是一个国内ip代理,由于代理倒闭了,所以我就把原来的代码放出来供大家学习吧。

镜像地址:https://www.blib.cn/url/xcdl.html

首先找到所有的tr标签,与class="odd"的标签,然后提取出来。

python多线程爬取西刺代理的示例代码

然后再依次找到tr标签里面的所有td标签,然后只提取出里面的[1,2,5,9]这四个标签的位置,其他的不提取。

python多线程爬取西刺代理的示例代码

最后可以写出提取单一页面的代码,提取后将其保存到文件中。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import sys,re,threading
import requests,lxml
from queue import queue
import argparse
from bs4 import beautifulsoup
 
head = {"user-agent": "mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.100 safari/537.36"}
 
if __name__ == "__main__":
  ip_list=[]
  fp = open("spideraddr.json","a+",encoding="utf-8")
  url = "https://www.blib.cn/url/xcdl.html"
  request = requests.get(url=url,headers=head)
  soup = beautifulsoup(request.content,"lxml")
  data = soup.find_all(name="tr",attrs={"class": re.compile("|[^odd]")})
  for item in data:
    soup_proxy = beautifulsoup(str(item),"lxml")
    proxy_list = soup_proxy.find_all(name="td")
    for i in [1,2,5,9]:
      ip_list.append(proxy_list[i].string)
    print("[+] 爬行列表: {} 已转存".format(ip_list))
    fp.write(str(ip_list) + '\n')
    ip_list.clear()

爬取后会将文件保存为 spideraddr.json 格式。

python多线程爬取西刺代理的示例代码

最后再使用另一段代码,将其转换为一个ssr代理工具直接能识别的格式,{'http': 'http://119.101.112.31:9999'}

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import sys,re,threading
import requests,lxml
from queue import queue
import argparse
from bs4 import beautifulsoup
 
if __name__ == "__main__":
  result = []
  fp = open("spideraddr.json","r")
  data = fp.readlines()
 
  for item in data:
    dic = {}
    read_line = eval(item.replace("\n",""))
    protocol = read_line[2].lower()
    if protocol == "http":
      dic[protocol] = "http://" + read_line[0] + ":" + read_line[1]
    else:
      dic[protocol] = "https://" + read_line[0] + ":" + read_line[1]
    result.append(dic)
    print(result)

python多线程爬取西刺代理的示例代码

完整多线程版代码如下所示。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
import sys,re,threading
import requests,lxml
from queue import queue
import argparse
from bs4 import beautifulsoup
 
head = {"user-agent": "mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.100 safari/537.36"}
 
class agentspider(threading.thread):
  def __init__(self,queue):
    threading.thread.__init__(self)
    self._queue = queue
 
  def run(self):
    ip_list=[]
    fp = open("spideraddr.json","a+",encoding="utf-8")
    while not self._queue.empty():
      url = self._queue.get()
      try:
        request = requests.get(url=url,headers=head)
        soup = beautifulsoup(request.content,"lxml")
        data = soup.find_all(name="tr",attrs={"class": re.compile("|[^odd]")})
        for item in data:
          soup_proxy = beautifulsoup(str(item),"lxml")
          proxy_list = soup_proxy.find_all(name="td")
          for i in [1,2,5,9]:
            ip_list.append(proxy_list[i].string)
          print("[+] 爬行列表: {} 已转存".format(ip_list))
          fp.write(str(ip_list) + '\n')
          ip_list.clear()
      except exception:
        pass
 
def startthread(count):
  queue = queue()
  threads = []
  for item in range(1,int(count)+1):
    url = "https://www.xicidaili.com/nn/{}".format(item)
    queue.put(url)
    print("[+] 生成爬行链接 {}".format(url))
 
  for item in range(count):
    threads.append(agentspider(queue))
  for t in threads:
    t.start()
  for t in threads:
    t.join()
 
# 转换函数
def conversionagentip(filename):
  result = []
  fp = open(filename,"r")
  data = fp.readlines()
 
  for item in data:
    dic = {}
    read_line = eval(item.replace("\n",""))
    protocol = read_line[2].lower()
    if protocol == "http":
      dic[protocol] = "http://" + read_line[0] + ":" + read_line[1]
    else:
      dic[protocol] = "https://" + read_line[0] + ":" + read_line[1]
    result.append(dic)
  return result
 
if __name__ == "__main__":
  parser = argparse.argumentparser()
  parser.add_argument("-p","--page",dest="page",help="指定爬行多少页")
  parser.add_argument("-f","--file",dest="file",help="将爬取到的结果转化为代理格式 spideraddr.json")
  args = parser.parse_args()
  if args.page:
    startthread(int(args.page))
  elif args.file:
    dic = conversionagentip(args.file)
    for item in dic:
      print(item)
  else:
    parser.print_help()

以上就是python多线程爬取西刺代理的示例代码的详细内容,更多关于python多线程爬取代理的资料请关注服务器之家其它相关文章!

原文链接:https://www.cnblogs.com/LyShark/p/13850457.html

相关文章

热门资讯

yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总 2020-11-13
2021年耽改剧名单 2021要播出的59部耽改剧列表
2021年耽改剧名单 2021要播出的59部耽改剧列表 2021-03-05
返回顶部