Python3.4实现从HTTP代理网站批量获取代理并筛选的方法示例_Python

本文实例讲述了Python3.4实现从HTTP代理网站批量获取代理并筛选的方法。分享给大家供大家参考，具体如下：

最近在写爬虫，苦于不采用代理的情况下，默认的IP不出几分钟就被封了，故而只能寻找代理。原以为找到HTTP代理就万事大吉了，没想到从那个网站获取的代理大部分都是不能用的，只有少部分能用。。。故而无奈之下，只能从那些代理网站大量获取代理IP，然后再拿过来进行进一步的筛选，将有效的代理IP提取出来，留待进一步使用。

筛选的主要原理是，通过main函数提取到未经筛选的代理rawProxyList，然后通过这些代理尝试连接目标网站（此文中是连接手机新浪网）。如果在规定时间内连接成功，则认定为有效代理，放到checkedProxyList之中。

									__author__ = 'multiangle'

									__edition__='python3.4'

									import threading

									import urllib.request as request

									import time

									rawProxyList=[]

									checkedProxyList=[]

									class proxycheck(threading.Thread):

									 def __init__(self,proxy_list):

									  threading.Thread.__init__(self)

									  self.proxy_list=proxy_list

									  self.timeout=3

									  self.testurl='http://www.sina.cn/'

									  self.testStr='手机新浪网'

									 def checkproxy(self):

									  cookies=request.HTTPCookieProcessor()

									  for proxy in self.proxy_list:

									   handler=request.ProxyHandler({'http':'http://%s'%(proxy)})

									   opener=request.build_opener(cookies,handler)

									   t1=time.time()

									   try:

									    req=opener.open(self.testurl,timeout=self.timeout)

									    res=req.read()

									    res=str(res,encoding='utf8')

									    usetime=time.time()-t1

									    if self.testStr in res:

									     checkedProxyList.append((proxy,usetime))

									   except Exception as e :

									    print(e)

									 def run(self):

									  self.checkproxy()

									if __name__=='__main__':

									 num=20

									 thread_num=10

									 checkThrends=[]

									 url='YOUR PROXY URL' #提取代理的网站。

									 req=request.urlopen(url).read()

									 req=str(req,encoding='utf-8')

									 list=req.split('\r\n') #网站返回的是字符串格式，用'\r\n'进行分割

									 rawProxyList=list

									 print('get raw proxy')

									 for i in rawProxyList:

									  print(i)

									 # s=proxycheck_test(rawProxyList)

									 batch_size=int((len(rawProxyList)+thread_num-1)/thread_num)

									 print(batch_size)

									 for i in range(thread_num):

									  t=proxycheck(rawProxyList[batch_size*i:batch_size*(i+1)])

									  checkThrends.append(t)

									 for i in range(checkThrends.__len__()):

									  checkThrends[i].start()

									 for i in range(checkThrends.__len__()):

									  checkThrends[i].join()

									 print(checkedProxyList.__len__(),' useful proxy is find')

									 for i in checkedProxyList:

									  print(i)

希望本文所述对大家Python程序设计有所帮助。

原文链接：http://blog.csdn.net/u014595019/article/details/50166385

Python3.4实现从HTTP代理网站批量获取代理并筛选的方法示例

相关文章

热门资讯