二、代碼

代碼直接參考了下文，更多解讀參見原文，其中將ip提取部分修改了下，並將用來測試IP是否可用的百度url改成了CSDN博客裏文章的url。

進群：548377875 即可獲取數十套PDF哦！

另外也試了下豆瓣......嗯，立馬就“403”，上不去了，所以看了本文想刷其他網站數據的朋友，還是三思而行，如果賬號被封，概不負責哦。==。

代碼（py3.5版本）：源碼奉上！

# coding: utf-8

import urllib.request

import urllib.parse

import time

from multiprocessing import Pool#多進程

import random

from lxml import etree #解析

def GetUserAgent():

‘‘‘

功能：隨機獲取HTTP_User_Agent

‘‘‘

user_agents=[

"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",

"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)",

"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)",

"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",

"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)",

"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)",

"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)",

"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)",

"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",

"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1"

]

user_agent = random.choice(user_agents)

return user_agent

def getProxies():

‘‘‘

功能：爬取西刺高匿IP構造原始代理IP池

‘‘‘

init_proxies = []

##爬取前五頁

for i in range(1,6):

print("####")

print("####爬取第"+str(i)+"頁####")

print("####")

print("IP地址 端口 存活時間 驗證時間")

url = "http://www.xicidaili.com/nn/"+str(i)

user_agent = GetUserAgent()

headers=("User-Agent",user_agent)

opener = urllib.request.build_opener()

opener.addheaders = [headers]

try:

data = opener.open(url,timeout=5).read()

except Exception as er:

print("爬取的時候發生錯誤，具體如下：")

print(er)

selector=etree.HTML(data)

‘‘‘

ip_addrs = selector.xpath(‘//tr[@class="odd"]/td[2]/text()‘) #IP地址

port = selector.xpath(‘//tr[@class="odd"]/td[3]/text()‘) #端口

sur_time = selector.xpath(‘//tr[@class="odd"]/td[9]/text()‘) #存活時間

ver_time = selector.xpath(‘//tr[@class="odd"]/td[10]/text()‘) #驗證時間

‘‘‘

#原代碼只提取了奇數行部分，修改下

ip_addrs = selector.xpath(‘//tr/td[2]/text()‘) #IP地址

port = selector.xpath(‘//tr/td[3]/text()‘) #端口

sur_time = selector.xpath(‘//tr/td[9]/text()‘) #存活時間

ver_time = selector.xpath(‘//tr/td[10]/text()‘) #驗證時間

for j in range(len(ip_addrs)):

ip = ip_addrs[j]+":"+port[j]

init_proxies.append(ip)

#輸出爬取數據

print(ip_addrs[j]+" "+port[j]+" "+sur_time[j]+" "+ver_time[j])

return init_proxies

def testProxy(curr_ip):

‘‘‘

功能：驗證IP有效性

@curr_ip：當前被驗證的IP

‘‘‘

tmp_proxies = []

#socket.setdefaulttimeout(10) #設置全局超時時間

#tarURL = "http://www.baidu.com/"

#tarURL = "http://blog.csdn.net/deserts_x/article/details/76726885" #CSDN-老樹畫畫

tarURL = "http://blog.csdn.net/deserts_x/article/details/76409116" #CSDN-張佳瑋

user_agent = GetUserAgent()

proxy_support = urllib.request.ProxyHandler({"http":curr_ip})

opener = urllib.request.build_opener(proxy_support)

opener.addheaders=[("User-Agent",user_agent)]

urllib.request.install_opener(opener)

try:

res = urllib.request.urlopen(tarURL,timeout=5).read()

if len(res)!=0:

tmp_proxies.append(curr_ip)

except urllib.error.URLError as er2:

if hasattr(er2,"code"):

print("驗證代理IP（"+curr_ip+"）時發生錯誤（錯誤代碼）："+str(er2.code))

if hasattr(er2,"reason"):

print("驗證代理IP（"+curr_ip+"）時發生錯誤（錯誤原因）："+str(er2.reason))

except Exception as er:

print("驗證代理IP（"+curr_ip+"）時發生如下錯誤）：")

print(er)

time.sleep(2)

return tmp_proxies

def mulTestProxies(init_proxies):

‘‘‘

功能：多進程驗證IP有效性

@init_proxies：原始未驗證代理IP池

‘‘‘

pool = Pool(processes=7)

fl_proxies = pool.map(testProxy,init_proxies)

pool.close()

pool.join() #等待進程池中的worker進程執行完畢

return fl_proxies

if __name__ == ‘__main__‘:

#---（1）獲取代理IP池

init_proxies = getProxies() #獲取原始代理IP

tmp_proxies = mulTestProxies(init_proxies) #多進程測試原始代理IP

proxy_addrs = []

for tmp_proxy in tmp_proxies:

if len(tmp_proxy)!=0:

#print(tmp_proxy)

proxy_addrs.append(tmp_proxy)

print(len(proxy_addrs))

print(proxy_addrs)

三、小結

關於爬取和維護IP代理池的文章網上其實不少，簡書上也不少，對於想要爬蟲進階的人來說一定是會碰到的，畢竟當你想大規模爬取某網站數據時，只靠自己電腦的IP在單位時間裏大量訪問的話，多半會出事，而為了爬取效率起見，就需要大量IP車輪戰，前仆後繼地上了。

Python騷操作！利用Python來爬取IP代理！偷偷給文章刷閱讀量！