兰竹皋 发表于 2020-11-15 18:26:11

爬虫中关于代理ip的问题。。。


各位好，能帮忙试试这段代码吗？
内容：爬取 www.goubanjia.com 上的免费代理ip，并作 尝试 连接来观察其的有效性。
但 我连续爬取了数千条，一个可以用的都没发现。
是我电脑问题，还是，这网站上就没有可用的ip？

from multiprocessing.pool import ThreadPool
import requests
from lxml import etree
import time



def open_url(url):
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',
    }
    re = requests.get(url=url, headers=headers)
    re.raise_for_status()
    re.encoding = 'utf-8'
    return re.text
   
def open_url_http(proxy):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',}
    try:
      res = requests.get(url=url_http, headers=headers, proxy=proxy)
      assert res.status_code == 200
      print('http://'+proxy, end='\t')
      con = res.json()['origin']
      if con == proxy:
            print('http://'+proxy+' 可以使用')
      else:
            print('error')
    except Exception as e:
            pass

def open_url_https(proxy):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',}
    try:
      res = requests.get(url=url_https, headers=headers, proxy=proxy)
      assert res.status_code == 200
      print('https://'+proxy, end='\t')
      tree = etree.HTML(res.text)
      con = tree.xpath('//body/p//text()')
      if con == proxy:
            print('https://'+proxy+' 可以使用')
      else:
            print('error')
    except Exception as e:
            pass

def get_proxies():
    proxies_https = []
    proxies_http = []
    url = 'http://www.goubanjia.com/'
    re_text = open_url(url=url)

    tree = etree.HTML(re_text)
    info_list = tree.xpath('//tbody/tr')
    for each in info_list:
      info_dict = {}

      each_address_list = []
      info_dict['address'] = each.xpath('./td//*')
      for each_address in info_dict['address']:
            if each_address.xpath('./@style') == ["display: none;"] or each_address.xpath('./@style') ==["display:none;"]:
                pass
            else:
                if len(each_address.xpath('./text()')) != 0:
                  each_address_list.append(each_address.xpath('./text()'))      
      info_dict['address'] = ''.join(each_address_list[:-1])+':'+each_address_list[-1]

      info_dict['anonymity'] = each.xpath('./td//text()')
      info_dict['protocal'] = each.xpath('./td//text()')
      if info_dict['protocal'] == 'http':
            if info_dict['address'] not in proxies_http:
                proxies_http.append(str(info_dict['address']))
      elif info_dict['protocal'] == 'https':
            if info_dict['address'] not in proxies_https:
                proxies_https.append(str(info_dict['address']))

    # print(proxies_http)
    # print(proxies_https)
    return proxies_http, proxies_https
   


if __name__ == '__main__':
   
    url_https = 'https://202020.ip138.com/'
    url_http = 'http://httpbin.org/ip'
   
   
    def main():
      proxies_http, proxies_https = get_proxies()
      pool = ThreadPool(5)
      print('main start')
      for each_proxy in proxies_http:
            proxy = {"http":f"{each_proxy}"}
            pool.apply_async(open_url_http, (proxy,))
      for each_proxy in proxies_https:
            proxy = {"https":f"{each_proxy}"}
            pool.apply_async(open_url_https, (proxy,))
      pool.close()
      pool.join()
      print('main over')

    for i in range(100):
      main()
      time.sleep(0.1)
   


suchocolate 发表于 2020-11-15 18:52:45

这个网站已经标注不保证可用了，你还是找客服要免费试用的吧。

兰竹皋 发表于 2020-11-15 22:26:13

suchocolate 发表于 2020-11-15 18:52
这个网站已经标注不保证可用了，你还是找客服要免费试用的吧。

好的，谢谢
页: [1]
查看完整版本: 爬虫中关于代理ip的问题。。。