Python は利用可能なプロキシ IP をクロールします

前書き

最近発見された無料のプロキシ IP Web サイトを例として取り上げます: http://www.xicidaili.com/nn/。使ってみると使えないIPが多いことが分かりました。

そこで、利用可能なプロキシ IP を検出できるスクリプトを Python で書きました。

スクリプトは次のとおりです:

#encoding=utf8
import urllib2
from bs4 import BeautifulSoup
import urllib
import socket
 
User_Agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
header = {}
header['User-Agent'] = User_Agent
 
'''
获取所有代理IP地址
'''
def getProxyIp():
 proxy = []
 for i in range(1,2):
  try:
   url = 'http://www.xicidaili.com/nn/'+str(i)
   req = urllib2.Request(url,headers=header)
   res = urllib2.urlopen(req).read()
   soup = BeautifulSoup(res)
   ips = soup.findAll('tr')
   for x in range(1,len(ips)):
    ip = ips[x]
    tds = ip.findAll("td")
    ip_temp = tds[1].contents[0]+"\t"+tds[2].contents[0]
    proxy.append(ip_temp)
  except:
   continue
 return proxy
  
'''
验证获得的代理IP地址是否可用
'''
def validateIp(proxy):
 url = "http://ip.chinaz.com/getip.aspx"
 f = open("E:\ip.txt","w")
 socket.setdefaulttimeout(3)
 for i in range(0,len(proxy)):
  try:
   ip = proxy[i].strip().split("\t")
   proxy_host = "http://"+ip[0]+":"+ip[1]
   proxy_temp = {"http":proxy_host}
   res = urllib.urlopen(url,proxies=proxy_temp).read()
   f.write(proxy[i]+'\n')
   print proxy[i]
  except Exception,e:
   continue
 f.close()
 
    
if __name__ == '__main__':
 proxy = getProxyIp()
 validateIp(proxy)

正常に実行された後、E ドライブの下のファイルを開くと、次の使用可能なプロキシ IP アドレスとポートが表示されます:

概要

これは、クロールされた最初のページの IP アドレスです。必要に応じて、さらにいくつかのページをクロールできます。同時に、Web サイトは随時更新されるため、クロールする場合は最初の数ページのみをクロールすることをお勧めします。以上がこの記事の全内容です。Python を学習する皆さんのお役に立てれば幸いです。

Python クロールに使用できるプロキシ IP に関連するその他の記事については、PHP 中国語 Web サイトに注目してください。