python扫描proxy并获取可用代理ip

今天咱写一个挺实用的工具，就是扫描并获取可用的proxy

首先呢，我先百度找了一个网站：http://www.xicidaili.com 作为例子

这个网站里公布了许多的国内外可用的代理的ip和端口

我们还是按照老样子进行分析，就先把所有国内的proxy扫一遍吧

点开国内部分进行审查发现，国内proxy和目录为以下url：

http://www.xicidaili.com/nn/x

这个x差不多两千多页，那么看来又要线程处理了。。。

老样子，我们尝试是否能直接以最简单的requests.get()获取内容

返回503，那么我们加一个简单的headers

返回200，成咯

好了我们先进行网页内容分析并获取想要的内容

我们发现，包含ip信息的内容在<tr>标签内，于是我们就能很方便的用bs进行获取标签内容

但是我们随之又发现，ip、端口、协议的内容分别在提取的<tr>标签的第2,3,6三个<td>标签内

于是我们开始尝试编写，一下为编写思路：

　　处理页面的时候，是先提取tr标签，再将tr标签中的td标签提取

　　所以运用了两次bs操作，并且第二次使用bs操作时需要进行str处理

　　因为我们获得tr之后，我们需要其中的2,3,6号的东西，

　　但是当我们用一个for循环输出的i并不能进行组的操作

　　所以我们干脆分别对每一个td的soup进行第二次操作之后直接提取2,3,6

　　提取之后，直接加上.string提取内容即可

r = requests.get(url = url,headers = headers)

    soup = bs(r.content,"html.parser")
    data = soup.find_all(name = \'tr\',attrs = {\'class\':re.compile(\'|[^odd]\')})

    for i in data:

        soup = bs(str(i),\'html.parser\')
        data2 = soup.find_all(name = \'td\')
        ip = str(data2[1].string)
        port = str(data2[2].string)
        types = str(data2[5].string).lower() 

        proxy = {}
        proxy[types] = \'%s:%s\'%(ip,port)

这样，我们每次循环都能生成对应的proxy字典，以便我们接下来验证ip可用性所使用

字典这儿有个注意点，我们有一个将types变为小写的操作，因为在get方法中的proxies中写入的协议名称应为小写，而网页抓取的是大写的内容，所以进行了一个大小写转换

那么验证ip可用性的思路呢

很简单，我们使用get，加上我们的代理，请求网站：

http://1212.ip138.com/ic.asp

这是一个神奇的网站，能返回你的外网ip是什么

url = \'http://1212.ip138.com/ic.asp\'
r = requests.get(url = url,proxies = proxy,timeout = 6)

这里我们需要加上timeout去除掉那些等待时间过长的代理，我设置为6秒

我们以一个ip进行尝试，并且分析返回的页面

返回的内容如下：

<html>

<head>

<meta xxxxxxxxxxxxxxxxxx>

<title> 您的IP地址 </title>

</head>

<body style="margin:0px"><center>您的IP是：[xxx.xxx.xxx.xxx] 来自:xxxxxxxx</center></body></html>

那么我们只需要提取出网页内[]的内容即可

如果我们的代理可用，就会返回代理的ip

（这里会出现返回的地址还是我们本机的外网ip的情况，虽然我也不是很清楚，但是我把这种情况排除，应该还是代理不可用）

那么我们就能进行一个判断，如果返回的ip和proxy字典中的ip相同，则认为这个ip是可用的代理，并将其写入文件

我们的思路就是这样，最后进行queue和threading线程的处理即可

上代码：

#coding=utf-8

import requests
import re
from bs4 import BeautifulSoup as bs
import Queue
import threading 

class proxyPick(threading.Thread):
    def __init__(self,queue):
        threading.Thread.__init__(self)
        self._queue = queue

    def run(self):
        while not self._queue.empty():
            url = self._queue.get()

            proxy_spider(url)

def proxy_spider(url):
    headers = {
            .......
        }

    r = requests.get(url = url,headers = headers)
    soup = bs(r.content,"html.parser")
    data = soup.find_all(name = \'tr\',attrs = {\'class\':re.compile(\'|[^odd]\')})

    for i in data:

        soup = bs(str(i),\'html.parser\')
        data2 = soup.find_all(name = \'td\')
        ip = str(data2[1].string)
        port = str(data2[2].string)
        types = str(data2[5].string).lower() 


        proxy = {}
        proxy[types] = \'%s:%s\'%(ip,port)
        try:
            proxy_check(proxy,ip)
        except Exception,e:
            print e
            pass

def proxy_check(proxy,ip):
    url = \'http://1212.ip138.com/ic.asp\'
    r = requests.get(url = url,proxies = proxy,timeout = 6)

    f = open(\'E:/url/ip_proxy.txt\',\'a+\')

    soup = bs(r.text,\'html.parser\')
    data = soup.find_all(name = \'center\')
    for i in data:
        a = re.findall(r\'\[(.*?)\]\',i.string)
        if a[0] == ip:
            #print proxy
            f.write(\'%s\'%proxy+\'\n\')
            print \'write down\'
            
    f.close()

#proxy_spider()

def main():
    queue = Queue.Queue()
    for i in range(1,2288):
        queue.put(\'http://www.xicidaili.com/nn/\'+str(i))

    threads = []
    thread_count = 10

    for i in range(thread_count):
        spider = proxyPick(queue)
        threads.append(spider)

    for i in threads:
        i.start()

    for i in threads:
        i.join()

    print "It\'s down,sir!"

if __name__ == \'__main__\':
    main()

这样我们就能把网站上所提供的能用的代理ip全部写入文件ip_proxy.txt文件中了

希望大家喜欢

谢谢观看！