Python学习日记--爬虫

写了一个从IP代理网页源码里面提取IP地址和端口号的爬虫，具体代码如下：（也发现一个BUG）

 

import urllib.request
import urllib.parse
import random
import re

def get_url(url):
    
    headers ={'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
    req = urllib.request.Request(url=url,headers=headers)
    res = urllib.request.urlopen(req)
    html = res.read()
    return html
    
def get_iplist():
    url = 'http://www.xicidaili.com/wt/'
    html_code = get_url(url).decode('utf-8')
    #print(html_code)
    p = re.compile(r'(?:(?:[01]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:[01]?\d?\d|2[0-4]\d|25[0-5])')
    #bug:如果ip地址最后一段大于200则会少一位
    iplist = []
    iplist = p.findall(html_code)
    it = p.finditer(html_code)
    count=0
    data=[]
    for i in it:
        a = html_code.find('<td>',i.end())
        b = html_code.find('</td>',a,a+50)
        if a==-1 or b==-1:
            print('error')
        data.append(iplist[count]+':'+html_code[a+4:b])
        count+=1

    return data

if __name__ == "__main__":
    iplist = get_iplist()
    for i in iplist:
        print(i)
    

代码运行后的截图：

 

 

代码出现的那个BUG我也想不懂是为啥。。。