前几天刚刚把正则表达式看了一些,也是只是稍微懂了一点点,所以想要写一个简单的程序试一下。然后就想到了以前在找免费的代理的时候有好多不能用的,所以就尝试着写了一个这样的爬虫程序,写的不是很好,写的很复杂,等以后再去写简洁一些吧。
先直接把代码弄上,然后再说一下里面的重点内容。
import re
import urllib.request
import socket
def get_line(html):
'''将对于ip有用的内容返回,返回值是列表!'''
line_re = re.compile(r'(?:td>)(.+)(?:</td>)')
list = line_re.findall(html)
return list
def get_ip(html):
'''得到所有的ip内容,以列表的形式返回!'''
list = get_line(html)
ip_re = re.compile(r'(?:25[0-5]\.|2[0-4]?\d\.|[01]?\d\d?\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d\d?)\b')
ans_list = []
list_len = len(list)
str = ""
for item in list:
if ip_re.match(item) != None:
ans_list.append(str)
str = ''
str += item
continue
if re.search('[\u4e00-\u9fa5]+',item) == None:
str += '\t' + item
return ans_list
def Judge_ip(ip_list):
'''检查ip是否可以用......'''
url = 'http://ip.chinaz.com/getip.aspx'
f = open('E:\\python_py\output.txt', 'w')
#socket.setdefaulttimeout(3)#设置爬取网页的时间限制,还有一种在面的open函数把timeout参数设置为3的方法
for i in range(0,len(ip_list)):
ip = ip_list[i].split('\t')
if len(ip) == 3:
try:
proxy = {ip[2]: ip[0] + ':' + ip[1]}
proxy_support = urllib.request.ProxyHandler(proxy)
opener = urllib.request.build_opener(proxy_support)
html = opener.open(url,timeout=3).read()
f.write(ip_list[i] + '\n')
except Exception as e:
print ('代理 '+ ip[0]+' 不可用' )
continue
f.close()
if __name__ == '__main__':
url = 'http://www.xicidaili.com/'
rep = urllib.request.Request(url)
rep.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36')
reponse = urllib.request.urlopen(rep)
html = reponse.read().decode('utf-8')
ip_list = get_ip(html)
Judge_ip(ip_list)
用到的正则表达式内容:
ip_re = re.compile(r'(?:25[0-5]\.|2[0-4]?\d\.|[01]?\d\d?\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d\d?)\b')
line_re = re.compile(r'(?:td>)(.+)(?:</td>)')
re.search('[\u4e00-\u9fa5]+',item)
ip_re 表示的是匹配一个代理IP地址
我们发现在IP地址的有用的信息两边都存在着<td>和<\td>所以就先把这个之间的内容提取出来,对应着正则表达式:line_re 的内容
第三个是匹配其中是否含有汉字信息,我们这里匹配的内容是IP地址,IP端号,以及IP类型,我们发现除了这三个内容之外,别的都是存在汉字的,所以我们需要把有用的信息提取出来,这个就是这个正则表达式的作用
在后面测试表达式是否可用的里面:
我们判断如果连接尝试的阻塞等待时间大于 3 秒的话,我们就认为这个IP地址有问题,所以就被异常所捕获,继续判断后面的IP地址是否可用.......
判断IP可用的使用的网站是:
http://ip.chinaz.com/getip.aspx
然后将可以使用的IP地址写入文件即可