Python作为一门功能强大的脚本语言来说,经常被用来写爬虫程序,下面是Python爬虫多线程抓取代理服务器。
现在抓取 http://www.proxy.com.ru 的代理服务器,这里的代理服务器更多,更简单。
下面代码可以直接用,代码如下:
#!/usr/bin/env python
#coding:utf-8
#BLOG: blog.linuxeye.com
import urllib2
import re
import threading
import time
import MySQLdb
rawProxyList = []
checkedProxyList = []
#抓取代理网站
targets = []
for i in xrange(1,42):
target = r"http://www.proxy.com.ru/list_%d.html" % i
targets.append(target)
#抓取代理服务器正则
p = re.compile(r'''
#代理排序持久化
proxy_ok = []
f= open("proxy_list.txt",'w+')
for proxy in sorted(checkedProxyList,cmp=lambda x,y:cmp(x[3],y[3])):
if proxy[3] < 8:
#print "checked proxy is: %s:%s\t%s\t%s" %(proxy[0],proxy[1],proxy[2],proxy[3])
proxy_ok.append((proxy[0],proxy[1],proxy[3],proxy[2]))
f.write("%s:%s\t%s\t%s\n"%(proxy[0],proxy[1],proxy[2],proxy[3]))
f.close()
db_insert(proxy_ok)
测试结果如下:
# python -V
Python 2.6.6
# python proxy.py
['61.58.94.179', '8088', '\xe5\x8f\xb0\xe6\xb9\xbe\xe7\x9c\x81 \xe5\x8f\xb0\xe6\xb9\xbe\xe5\xae\xbd\xe9\xa2\x91\xe9\x80\x9a\xe8\xae\xaf\xe9\xa1\xbe\xe9\x97\xae\xe8\x82\xa1\xe4\xbb\xbd\xe6\x9c\x89\xe9\x99\x90\xe5\x85\xac\xe5\x8f\xb8']
['200.84.116.99', '9064', '\xe5\xa7\x94\xe5\x86\x85\xe7\x91\x9e\xe6\x8b\x89 ']
['183.223.204.8', '8123', '\xe5\x9b\x9b\xe5\xb7\x9d\xe7\x9c\x81\xe8\x87\xaa\xe8\xb4\xa1\xe5\xb8\x82 \xe7\xa7\xbb\xe5\x8a\xa8']
..........总共抓取了1921个代理..........
..........总共有524个代理通过校验..........
# more proxy_list.txt
202.106.169.142:80 北京市 联通ADSL 0.291432857513
111.13.136.59:80 北京市 移动 0.297957897186
111.13.136.56:80 北京市 移动 0.373070955276
111.206.81.248:80 北京市 联通 0.403017997742
111.13.136.58:80 北京市 移动 0.414332151413
124.202.217.134:8118 北京市 电信通 0.416817903519
124.202.183.218:8118 北京市 电信通 0.426618099213
120.132.71.232:80 北京市 联通 0.440200090408
61.232.6.164:8081 北京市 铁通 0.469615936279
118.144.96.253:80 北京市 电信通 0.485229969025
203.192.10.66:80 北京市 新华社 0.51485991478
124.202.182.22:8118 北京市 电信通 0.553130865097
数据库:
mysql> select * from m_common.proxy limit 10;
+----------+-----------------+------+----------+----------------------+---------------------+
| proxy_id | ip | port | speed | address | create_time |
+----------+-----------------+------+----------+----------------------+---------------------+
| 1 | 202.106.169.142 | 80 | 0.291433 | 北京市 联通ADSL | 2015-02-26 11:29:24 |
| 2 | 111.13.136.59 | 80 | 0.297958 | 北京市 移动 | 2015-02-26 11:29:24 |
| 3 | 111.13.136.56 | 80 | 0.373071 | 北京市 移动 | 2015-02-26 11:29:24 |
| 4 | 111.206.81.248 | 80 | 0.403018 | 北京市 联通 | 2015-02-26 11:29:24 |
| 5 | 111.13.136.58 | 80 | 0.414332 | 北京市 移动 | 2015-02-26 11:29:24 |
| 6 | 124.202.217.134 | 8118 | 0.416818 | 北京市 电信通 | 2015-02-26 11:29:24 |
| 7 | 124.202.183.218 | 8118 | 0.426618 | 北京市 电信通 | 2015-02-26 11:29:24 |
| 8 | 120.132.71.232 | 80 | 0.4402 | 北京市 联通 | 2015-02-26 11:29:24 |
| 9 | 61.232.6.164 | 8081 | 0.469616 | 北京市 铁通 | 2015-02-26 11:29:24 |
| 10 | 118.144.96.253 | 80 | 0.48523 | 北京市 电信通 | 2015-02-26 11:29:24 |
+----------+-----------------+------+----------+----------------------+---------------------+
10 rows in set (0.00 sec)