Python使用requests xpath 并开启多线程爬取西刺代理ip实例

我就废话不多说啦，大家还是直接看代码吧！

1. import requests,random
2. from lxml import etree
3. import threading
4. import time
5.  
6. angents = [
7. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
8. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
9. "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
10. "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
11. "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
12. "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
13. "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
14. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
15. "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
16. "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
17. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
18. "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
19. "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
20. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
21. "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
22. "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
23. ]
24.  
25. def get_all_xici_urls(start_num,stop_num):
26. xici_urls = []
27. for num in range(start_num,len(stop_num)+1):
28. xici_http_url = 'http://www.xicidaili.com/wt/'
29. xici_http_url += str(num)
30. xici_urls.append(xici_http_url)
31. print('获取所有待爬取xici url 已完成...')
32. return xici_urls
33. def get_all_http_ip(xici_http_url,headers,proxies_list):
34. try:
35. all_ip_xpath = '//table//tr/child::*[2]/text()'
36. all_prot_xpath = '//table//tr/child::*[3]/text()'
37. response = requests.get(url=xici_http_url,headers=headers)
38. html_tree = etree.HTML(response.text)
39. ip_list = html_tree.xpath(all_ip_xpath)
40. port_list = html_tree.xpath(all_prot_xpath)
41. # print(ip_list)
42. # print(prot_list)
43. new_proxies_list = []
44. for index in range(1,len(ip_list)):
45. # print('http://{}:{}'.format(ip_list[index],port_list[index]))
46. proxies_dict = {}
47. proxies_dict['http'] = 'http://{}:{}'.format(str(ip_list[index]),str(port_list[index]))
48. new_proxies_list.append(proxies_dict)
49. proxies_list += new_proxies_list
50. return proxies_list
51. except Exception as e:
52. print('发生了错误：url为 ',xici_http_url,'错误为 ',e)
53.  
54. if __name__ == '__main__':
55. start_num = int(input('请输入起始页面：').strip())
56. stop_num = int(input('请输入结束页面：').strip())
57. print('开始爬取...')
58. t_list = []
59. # 容纳需要使用的西刺代理ip
60. proxies_list = []
61. # 使用多线程
62. xici_urls = get_all_xici_urls(start_num,stop_num)
63. for xici_get_url in xici_urls:
64. #随机筛选一个useragent
65. headers = {'User-Agent': random.choice(angents)}
66. t = threading.Thread(target=get_all_http_ip,args=(xici_get_url,headers,proxies_list))
67. t.start()
68. t_list.append(t)
69. for j in t_list:
70. j.join()
71. print('所有需要的代理ip已爬取完成...')
72. print(proxies_list)
73. print(len(proxies_list))

补充知识：python爬取xici的免费代理、并验证(重点、清楚)

网上爬取xici的帖子很多，但是验证都说的不是很清楚，这里我会认真给大家解释

这里我写了一个代理类proxy，写了四个方法（个人写法不必在意），get_user_agent（得到随机use-agent,请求头中最重要的一个）、get_proxy(爬取代理IP)、test_proxy(验证代理可用性）、store_txt(将可用的代理保存到txt文件中。

1.爬取：headers是请求头，choice是可以选择是爬取Http代理还是https代理，first、end为开始和结束的页码（结束不包含最后一页）

1. def get_proxy(self, headers, choice='http', first=1, end=2):
2. """
3. 获取代理
4. :param choice:
5. :param first: 开始爬取的页数
6. :param end: 结束爬取的后一页
7. :return:
8. """
9.  
10. ip_list = []
11. base_url = None
12.  
13. # 选择爬取的网站，一个是http、一个是https的
14. if choice == 'http':
15. base_url = 'http://www.xicidaili.com/wt/'
16. elif choice == 'https':
17. base_url = 'http://www.xicidaili.com/wn/'
18.  
19. # 控制页码用正则匹配，并将爬取的IP和端口号用:链接
20. for n in range(first, end):
21. actual_url = base_url + str(n)
22. html = requests.get(url=actual_url, headers=headers).text
23. pattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'
24. re_list = re.findall(pattern, html)
25.  
26. for ip_port in re_list:
27. ip_port = ip_port[0] + ':' + ip_port[1]
28. ip_list.append(ip_port)
29. return ip_list

2. 验证：网上大部分是用request直接请求一个网址看是否通过或者看状态码是否是200， 但是有一个问题是即使你设置了代理IP。可能会通过，但通过的不是用你设置的代理IP而是用你自己公网下的IP（大部分时候我们用ifconfig查询的是我们所在局域网下的IP，及私网IP）。

linux下你可以用这些命令的其中任何一个查看你的公网IP：

curl icanhazip.com
curl ifconfig.me
curl curlmyip.com
curl ip.appspot.com
curl ipinfo.io/ip
curl ipecho.net/plain
curl www.trackip.net/i

注意：那这样要怎么办，其实我们可以向上述命令一样先用你爬下的代理IP访问 http://icanhazip.com/， 它可以返回你电脑发送请求时的公网IP（此时如果你设置代理IP了就会是返回你所发送请求的代理IP），然后你将它爬取下来（直接获取返回的值的文本就可以了），并和你发送请求时的代理IP作比较，如果不相等说明此代理IP不能用，因为虽然你设置了代理Ip，但是电脑在你代理IP请求不同的情况下，直接又使用了你公网的IP去请求，当然成功了，但不代表你的代理IP可以用。如果相等，那就证明此网站就是你所用的代理IP访问请求成功的，所以此IP可用。

1. def test_proxy(self, ip_port, choice='http'):
2. """
3. 测试代理是否能用
4. :param ip_port:
5. :param choice:
6. :return:
7. """
8. proxies = None
9.  
10. # 这个网站可以返回你公网下的IP，如果你加代理请求后，返回的就是你代理的IP（这样做是防止你虽然用的是代理IP，但实际是用你自己的公网IP访问的请求）
11. tar_url = "http://icanhazip.com/"
12.  
13. # 获取随机User-agent
14. user_agent = self.get_user_agent()
15.  
16. # 将user-agent放在headers中
17. headers = {'User-Agent': user_agent}
18.  
19. # 选择验证的是http、还是https
20. if choice == 'http':
21. proxies = {
22. "http": "http://"+ip_port,
23. }
24.  
25. elif choice == 'https':
26. proxies = {
27. "https": "https://" + ip_port,
28. }
29.  
30. try:
31. # 将IP从IP和端口号连起来的分出来
32. thisIP = "".join(ip_port.split(":")[0:1])
33. res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)
34.  
35. # 爬取下来返回的值，一定要用strip去除空格
36. proxyIP = res.text.strip()
37.  
38. # 三个状态，如过直接通不过，那就返回false，如果通过但是不是代理的IP，也返回false
39. if proxyIP == thisIP:
40. return proxyIP
41. else:
42. return False
43. except:
44. return False

最后附上整段代码：

1. import requests
2. import re
3. import random
4. import codecs
5. from urllib import parse
6.  
7.  
8. class proxy:
9. """
10. 代理类
11. """
12. def __init__(self):
13. pass
14.  
15. def get_user_agent(self):
16. """
17. 得到随机user-agent
18. :return:
19. """
20. user_agents = [
21. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
22. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
23. "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
24. "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
25. "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
26. "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
27. "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
28. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
29. "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
30. "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
31. "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
32. "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
33. "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
34. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
35. "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
36. "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
37. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
38. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
39. "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
40. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
41. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
42. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
43. "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
44. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
45. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
46. "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
47. "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
48. "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
49. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
50. "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
51. "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
52. "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
53. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
54. "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
55. ]
56. user_agent = random.choice(user_agents)
57. return user_agent
58.  
59.  
60. def get_proxy(self, headers, choice='http', first=1, end=2):
61. """
62. 获取代理
63. :param choice:
64. :param first: 开始爬取的页数
65. :param end: 结束爬取的后一页
66. :return:
67. """
68.  
69. ip_list = []
70. base_url = None
71. if choice == 'http':
72. base_url = 'http://www.xicidaili.com/wt/'
73. elif choice == 'https':
74. base_url = 'http://www.xicidaili.com/wn/'
75.  
76. for n in range(first, end):
77. actual_url = base_url + str(n)
78. html = requests.get(url=actual_url, headers=headers).text
79. pattern = '(\d+\.\d+\.\d+\.\d+)</td>\s*<td>(\d+)'
80. re_list = re.findall(pattern, html)
81.  
82. for ip_port in re_list:
83. ip_port = ip_port[0] + ':' + ip_port[1]
84. ip_list.append(ip_port)
85. return ip_list
86.  
87.  
88. def test_proxy(self, ip_port, choice='http'):
89. """
90. 测试代理是否能用
91. :param ip_port:
92. :param choice:
93. :return:
94. """
95. proxies = None
96. # 这个网站可以返回你公网下的IP，如果你加代理请求后，返回的就是你代理的IP（这样做是防止你虽然用的是代理IP，但实际是用你自己的公网IP访问的请求）
97. tar_url = "http://icanhazip.com/"
98. user_agent = self.get_user_agent()
99. headers = {'User-Agent': user_agent}
100. if choice == 'http':
101. proxies = {
102. "http": "http://"+ip_port,
103. }
104.  
105. elif choice == 'https':
106. proxies = {
107. "https": "https://" + ip_port,
108. }
109. try:
110. thisIP = "".join(ip_port.split(":")[0:1])
111. res = requests.get(tar_url, proxies=proxies, headers=headers, timeout=8)
112. proxyIP = res.text.strip()
113. if proxyIP == thisIP:
114. return proxyIP
115. else:
116. return False
117. except:
118. return False
119.  
120. def store_txt(self, choice='http', first=1, end=2):
121. """
122. 将测试通过的ip_port保存为txt文件
123. :param choice:
124. :param first:
125. :param end:
126. :return:
127. """
128. user_agent = self.get_user_agent()
129. headers = {'User-Agent': user_agent}
130. ip_list = self.get_proxy(headers=headers, choice=choice, first=first, end=end)
131. with codecs.open("Http_Agent.txt", 'a', 'utf-8') as file:
132. for ip_port in ip_list:
133. ip_port = self.test_proxy(ip_port, choice=choice)
134. print(ip_port)
135. if ip_port:
136. file.write('\'' + ip_port + "\'\n")

以上这篇Python使用requests xpath 并开启多线程爬取西刺代理ip实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。