一般入门爬虫码农采用免费,但要确保工作效率还是去找合适的付费品牌。免费找的时间和测用的时间就要花掉很多,就算自己写个爬虫爬取代理IP放进自己的“池子”而后再来测用到最后爬取成功,这也只能适合少量个人用。
爬虫用户自己是没有能力维护一系列的代理服务器和代理IP的,这个成本实在有点高了。 所以公用代理服务器应运而生,现在几大云服务商家都提供代理IP服务,一般论个买...
同时网上也有很多代理IP共享网站,会把一些免费的代理IP放出来给大家用。 大家都是做爬虫的,那么,是不是可以先把代理IP网站的数据爬一遍?
所以可以看到不少的爬代理IP的爬虫,如突破反爬虫的利器——开源IP代理池之类的项目。 这些项目都能达到抓取代理IP数据的目的,很多时候也够用了。
然而在使用过程中我们发现了一些问题:
网站公布的代理IP不一定是可用的。可能代理服务器挂了,可能IP无效了...等等之类的。
代理IP是部分可用的。某代理IP可用代理访问百度,但是代理访问谷歌的时候就GG了。
#encoding=utf8
import urllib2
import BeautifulSoup
User_Agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
header = {}
header['User-Agent'] = User_Agent
url = 'http://www.*****.com'
req = urllib2.Request(url,headers=header)
res = urllib2.urlopen(req).read()
soup = BeautifulSoup.BeautifulSoup(res)
ips = soup.findAll('tr')
f = open("../src/proxy","w")
for x in range(1,len(ips)):
ip = ips[x]
tds = ip.findAll("td")
ip_temp = tds[2].contents[0]+"\t"+tds[3].contents[0]+"\n"
# print tds[2].contents[0]+"\t"+tds[3].contents[0]
f.write(ip_temp)
并不是所有的代理都能用,原因有很多,可能是我们所处的网络连不到这个代理,也有可能是这个代理,连不到我们的目标网址,所以,我们要验证一下,成功的不是很多,