Python多线程抓取代理服务器

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。

年前是用 //linuxeye.com/340.html 来抓取代理服务器的，谁知道过完年回来http://www.cnproxy.com/被墙，导致某网站不能抓取东西，停止更新。

现在改抓取 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: 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'''trbtd(\d+)/tdtd(.+?)/tdtd(\d+)/tdtd(.+?)/tdtd(.+?)/td/b/tr''') #获取代理的类 class ProxyGet(threading.Thread):     def __init__(self,target):         threading.Thread.__init__(self)         self.target = target     def getProxy(self):         print "代理服务器目标网站： " + self.target         req = urllib2.urlopen(self.target)         result = req.read()         #print chardet.detect(result)         matchs = p.findall(result) #       print matchs         for row in matchs:             ip=row[1]             port =row[2]             addr = row[4].decode("cp936").encode("utf-8")             proxy = [ip,port,addr]             print proxy             rawProxyList.append(proxy)     def run(self):         self.getProxy() #检验代理的类 class ProxyCheck(threading.Thread):     def __init__(self,proxyList):         threading.Thread.__init__(self)         self.proxyList = proxyList         self.timeout = 5         self.testUrl = "http://www.baidu.com/"         self.testStr = "030173"     def checkProxy(self):         cookies = urllib2.HTTPCookieProcessor()         for proxy in self.proxyList:             proxyHandler = urllib2.ProxyHandler({"http" : r'http://%s:%s' %(proxy[0],proxy[1])})             #print r'http://%s:%s' %(proxy[0],proxy[1])             opener = urllib2.build_opener(cookies,proxyHandler)             opener.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0')]             #urllib2.install_opener(opener)             t1 = time.time()             try:                 #req = urllib2.urlopen("http://www.baidu.com", timeout=self.timeout)                 req = opener.open(self.testUrl, timeout=self.timeout)                 #print "urlopen is ok...."                 result = req.read()                 #print "read html...."                 timeused = time.time() - t1                 pos = result.find(self.testStr)                 #print "pos is %s" %pos                 if pos  1:                     checkedProxyList.append((proxy[0],proxy[1],proxy[2],timeused))                     #print "ok ip: %s %s %s %s" %(proxy[0],proxy[1],proxy[2],timeused)                 else:                      continue             except Exception,e:                 #print e.message                 continue     def run(self):         self.checkProxy() if __name__ == "__main__":     getThreads = []     checkThreads = [] #对每个目标网站开启一个线程负责抓取代理 for i in range(len(targets)):     t = ProxyGet(targets[i])     getThreads.append(t) for i in range(len(getThreads)):     getThreads[i].start() for i in range(len(getThreads)):     getThreads[i].join() print '.'*10+"总共抓取了%s个代理" %len(rawProxyList) +'.'*10 #开启20个线程负责校验，将抓取到的代理分成20份，每个线程校验一份 for i in range(20):     t = ProxyCheck(rawProxyList[((len(rawProxyList)+19)/20) * i:((len(rawProxyList)+19)/20) * (i+1)])     checkThreads.append(t) for i in range(len(checkThreads)):     checkThreads[i].start() for i in range(len(checkThreads)):     checkThreads[i].join() print '.'*10+"总共有%s个代理通过校验" %len(checkedProxyList) +'.'*10 #插入数据库，表结构自己创建，四个字段ip,port,speed,address def db_insert(insert_list):     try:         conn = MySQLdb.connect(host="localhost", user="root", passwd="admin",db="m_common",charset='utf8')         cursor = conn.cursor()         cursor.execute('delete from proxy')         cursor.execute('alter table proxy AUTO_INCREMENT=1')         cursor.executemany("INSERT INTO proxy(ip,port,speed,address) VALUES (%s,%s,%s,%s)",insert_list)         conn.commit()         cursor.close()         conn.close()     except MySQLdb.Error,e:         print "Mysql Error %d: %s" % (e.args[0], e.args[1]) #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)