于是决定用python重新写,python支持多线程啊。
已经有一年多没有用过 python了，很多语法，语言特性都快忘记得差不多了。 经过三天业余时间的
摸索，今天我写的这个程序终于可以和大家交流了。
下面放出源代码: 希望有高手能帮我共同完善,
这个程序是我学python语言以来写的第二个程序，应该有很多写得不够简洁的地方，希望行家多多指点
程序现有功能:
1. 能自动从12个网站抓取代理列表，并保存到数据库里面
2. 自动验证每个代理是否可用,并保存验证时的响应时间做为判断代理速度的依据
3. 能分类输出代理信息， 已验证的，未验证的，高度匿名代理，普通匿名代理，透明代理到不同文件
4 支持的输出格式有 xml,htm,csv,txt,tab 每种文件都能自定义字段和格式
5. 扩展性比较强, 要添加一个新的抓取网站只需要改变一个全局变量，添加两个函数 (有详细接口说明)
6. 用 sqlite 做数据库，小巧，方便，简单，0配置，0安装，放在屁股口袋里就可以带走
7. 多线程抓取，多线程验证
我的运行环境：windows xp + python v2.4 ,其他版本未测试
程序下载: 点击这里(242kb)
代码的注释非常详细,python 初学者都可以看懂， 12个网站抓取分析的正则表达式都有详细注释
# -*- coding: gb2312 -*-
# vi:ts=4:et
"""
目前程序能从下列网站抓取代理列表
http://www.cybersyndrome.net/
http://www.pass-e.com/
http://www.cnproxy.com/
http://www.proxylists.net/
http://www.my-proxy.com/
http://www.samair.ru/proxy/
http://proxy4free.com/
http://proxylist.sakura.ne.jp/
http://www.ipfree.cn/
http://www.publicproxyservers.com/
http://www.digitalcybersoft.com/
http://www.checkedproxylists.com/
问:怎样才能添加自己的新网站，并自动让程序去抓取?
答:
请注意源代码中以下函数的定义.从函数名的最后一个数字从1开始递增，目前已经到了13
def build_list_urls_1(page=5):
def parse_page_2(html=''):
def build_list_urls_2(page=5):
def parse_page_2(html=''):
.......
def build_list_urls_13(page=5):
def parse_page_13(html=''):
你要做的就是添加 build_list_urls_14 和 parse_page_14 这两个函数
比如你要从 www.somedomain.com 抓取
/somepath/showlist.asp?page=1
... 到
/somepath/showlist.asp?page=8 假设共8页
那么 build_list_urls_14 就应该这样定义
要定义这个page这个参数的默认值为你要抓取的页面数8，这样才能正确到抓到8个页面
def build_list_urls_14(page=8):
.....
return [ #返回的是一个一维数组，数组每个元素都是你要抓取的页面的绝对地址
'http://www.somedomain.com/somepath/showlist.asp?page=1',
'http://www.somedomain.com/somepath/showlist.asp?page=2',
'http://www.somedomain.com/somepath/showlist.asp?page=3',
....
'http://www.somedomain.com/somepath/showlist.asp?page=8'
]
接下来再写一个函数 parse_page_14(html='')用来分析上面那个函数返回的那些页面html的内容
并从html中提取代理地址
注意： 这个函数会循环处理 parse_page_14 中的所有页面，传入的html就是那些页面的html文本
ip: 必须为 xxx.xxx.xxx.xxx 数字ip格式，不能为 www.xxx.com 格式
port: 必须为 2-5位的数字
type: 必须为 数字 2,1,0,-1 中的其中一个。这些数字代表代理服务器的类型
2:高度匿名代理 1: 普通匿名代理 0:透明代理 -1: 无法确定的代理类型
#area: 代理所在国家或者地区， 必须转化为 utf8编码格式
def parse_page_14(html=''):
....
return [
[ip,port,type,area]
[ip,port,type,area]
.....
....
[ip,port,type,area]
]
最后，最重要的一点:修改全局变量 web_site_count的值，让他加递增1 web_site_count=14
问：我已经按照上面的说明成功的添加了一个自定义站点，我要再添加一个，怎么办?
答：既然已经知道怎么添加 build_list_urls_14 和 parse_page_14了
那么就按照同样的办法添加
def build_list_urls_15(page=5):
def parse_page_15(html=''):
这两个函数，并 更新全局变量 web_site_count=15
"""
import urllib,time,random,re,threading,string
web_site_count=13 #要抓取的网站数目
day_keep=2 #删除数据库中保存时间大于day_keep天的 无效代理
indebug=1
thread_num=100 # 开 thread_num 个线程检查代理
check_in_one_call=thread_num*10 # 本次程序运行时 最多检查的代理个数
skip_check_in_hour=1 # 在时间 skip_check_in_hour内,不对同一个代理地址再次验证
skip_get_in_hour=8 # 每次采集新代理的最少时间间隔 (小时)
proxy_array=[] # 这个数组保存将要添加到数据库的代理列表
update_array=[] # 这个数组保存将要更新的代理的数据
db=None #数据库全局对象
conn=None
dbfile='proxier.db' #数据库文件名
target_url="http://www.baidu.com/" # 验证代理的时候通过代理访问这个地址
target_string="030173" # 如果返回的html中包含这个字符串，
target_timeout=30 # 并且响应时间小于 target_timeout 秒
#那么我们就认为这个代理是有效的
#到处代理数据的文件格式，如果不想导出数据，请让这个变量为空 output_type=''
output_type='xml' #以下格式可选, 默认xml
# xml
# htm
# tab 制表符分隔, 兼容 excel
# csv 逗号分隔, 兼容 excel
# txt xxx.xxx.xxx.xxx:xx 格式
# 输出文件名 请保证这个数组含有六个元素
output_filename=[
'uncheck', # 对于未检查的代理,保存到这个文件
'checkfail', # 已经检查，但是被标记为无效的代理,保存到这个文件
'ok_high_anon', # 高匿代理(且有效)的代理,按speed排序，最块的放前面
'ok_anonymous', # 普通匿名(且有效)的代理,按speed排序，最块的放前面
'ok_transparent', # 透明代理(且有效)的代理,按speed排序，最块的放前面
'ok_other' # 其他未知类型(且有效)的代理,按speed排序
]
#输出数据的格式 支持的数据列有
# _ip_ , _port_ , _type_ , _status_ , _active_ ,
#_time_added_, _time_checked_ ,_time_used_ , _speed_, _area_
output_head_string='' # 输出文件的头部字符串
output_format='' # 文件数据的格式
output_foot_string='' # 输出文件的底部字符串
if output_type=='xml':
output_head_string="<?xml version='1.0' encoding='gb2312'?><proxylist>\n"
output_format="""<item>
<ip>_ip_</ip>
<port>_port_</port>
<speed>_speed_</speed>
<last_check>_time_checked_</last_check>
<area>_area_</area>
</item>
"""
output_foot_string="</proxylist>"
elif output_type=='htm':
output_head_string="""<table border=1 width='100%'>
<tr><td>代理</td><td>最后检查</td><td>速度</td><td>地区</td></tr>
"""
output_format="""<tr>
<td>_ip_:_port_</td><td>_time_checked_</td><td>_speed_</td><td>_area_</td>
</tr>
"""
output_foot_string="</table>"
else:
output_head_string=''
output_foot_string=''
if output_type=="csv":
output_format="_ip_, _port_, _type_, _speed_, _time_checked_, _area_\n"
if output_type=="tab":
output_format="_ip_\t_port_\t_speed_\t_time_checked_\t_area_\n"
if output_type=="txt":
output_format="_ip_:_port_\n"
# 输出文件的函数
def output_file():
global output_filename,output_head_string,output_foot_string,output_type
if output_type=='':
return
fnum=len(output_filename)
content=[]
for i in range(fnum):
content.append([output_head_string])
conn.execute("select * from `proxier` order by `active`,`type`,`speed` asc")
rs=conn.fetchall()
for item in rs:
type,active=item[2],item[4]
if active is None:
content[0].append(formatline(item)) #未检查
elif active==0:
content[1].append(formatline(item)) #非法的代理
elif active==1 and type==2:
content[2].append(formatline(item)) #高匿
elif active==1 and type==1:
content[3].append(formatline(item)) #普通匿名
elif active==1 and type==0:
content[4].append(formatline(item)) #透明代理
elif active==1 and type==-1:
content[5].append(formatline(item)) #未知类型的代理
else:
pass
for i in range(fnum):
content[i].append(output_foot_string)
f=open(output_filename[i]+"."+output_type,'w')
f.write(string.join(content[i],''))
f.close()
#格式化输出每条记录
def formatline(item):
global output_format
arr=['_ip_','_port_','_type_','_status_','_active_',
'_time_added_','_time_checked_','_time_used_',
'_speed_','_area_']
s=output_format
for i in range(len(arr)):
s=string.replace(s,arr[i],str(formatitem(item[i],i)))
return s
#对于数据库中的每个不同字段，要处理一下，中文要编码，日期字段要转化
def formatitem(value,colnum):
global output_type
if (colnum==9):
value=value.encode('cp936')
elif value is None:
value=''
if colnum==5 or colnum==6 or colnum==7: #time_xxxed
value=string.atof(value)
if value<1:
value=''
else:
value=formattime(value)
if value=='' and output_type=='htm':value=' '
return value
def check_one_proxy(ip,port):
global update_array
global check_in_one_call
global target_url,target_string,target_timeout
url=target_url
checkstr=target_string
timeout=target_timeout
ip=string.strip(ip)
proxy=ip+':'+str(port)
proxies = {'http': 'http://'+proxy+'/'}
opener = urllib.FancyURLopener(proxies)
opener.addheaders = [
('User-agent','Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)')
]
t1=time.time()
if (url.find("?")==-1):
url=url+'?rnd='+str(random.random())
else:
url=url+'&rnd='+str(random.random())
try:
f = opener.open(url)
s= f.read()
pos=s.find(checkstr)
except:
pos=-1
pass
t2=time.time()
timeused=t2-t1
if (timeused<timeout and pos>0):
active=1
else:
active=0
update_array.append([ip,port,active,timeused])
print len(update_array),' of ',check_in_one_call," ",ip,':',port,'--',int(timeused)
def get_html(url=''):
opener = urllib.FancyURLopener({}) #不使用代理
#www.my-proxy.com 需要下面这个Cookie才能正常抓取
opener.addheaders = [
('User-agent','Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)'),
('Cookie','permission=1')
]
t=time.time()
if (url.find("?")==-1):
url=url+'?rnd='+str(random.random())
else:
url=url+'&rnd='+str(random.random())
try:
f = opener.open(url)
return f.read()
except:
return ''
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_1(page=5):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://proxy4free.com/page%(num)01d.html'%{'num':i})
return ret
def parse_page_1(html=''):
matches=re.findall(r'''
<td>([\d\.]+)<\/td>[\s\n\r]* #ip
<td>([\d]+)<\/td>[\s\n\r]* #port
<td>([^\<]*)<\/td>[\s\n\r]* #type
<td>([^\<]*)<\/td> #area
''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=match[2]
area=match[3]
if (type=='anonymous'):
type=1
elif (type=='high anonymity'):
type=2
elif (type=='transparent'):
type=0
else:
type=-1
ret.append([ip,port,type,area])
if indebug:print '1',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_2(page=1):
return ['http://www.digitalcybersoft.com/ProxyList/fresh-proxy-list.shtml']
def parse_page_2(html=''):
matches=re.findall(r'''
((?:[\d]{1,3}\.){3}[\d]{1,3})\:([\d]+) #ip:port
\s+(Anonymous|Elite Proxy)[+\s]+ #type
(.+)\r?\n #area
''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=match[2]
area=match[3]
if (type=='Anonymous'):
type=1
else:
type=2
ret.append([ip,port,type,area])
if indebug:print '2',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_3(page=15):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.samair.ru/proxy/proxy-%(num)02d.htm'%{'num':i})
return ret
def parse_page_3(html=''):
matches=re.findall(r'''
<tr><td><span\sclass\="\w+">(\d{1,3})<\/span>\. #ip(part1)
<span\sclass\="\w+">
(\d{1,3})<\/span> #ip(part2)
(\.\d{1,3}\.\d{1,3}) #ip(part3,part4)
\:\r?\n(\d{2,5})<\/td> #port
<td>([^<]+)</td> #type
<td>[^<]+<\/td>
<td>([^<]+)<\/td> #area
<\/tr>''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]+"."+match[1]+match[2]
port=match[3]
type=match[4]
area=match[5]
if (type=='anonymous proxy server'):
type=1
elif (type=='high-anonymous proxy server'):
type=2
elif (type=='transparent proxy'):
type=0
else:
type=-1
ret.append([ip,port,type,area])
if indebug:print '3',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_4(page=3):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.pass-e.com/proxy/index.php?page=%(n)01d'%{'n':i})
return ret
def parse_page_4(html=''):
matches=re.findall(r"""
list
\('(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})' #ip
\,'(\d{2,5})' #port
\,'(\d)' #type
\,'([^']+)'\) #area
\;\r?\n""",html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=match[2]
area=match[3]
if (type=='1'): #type的判断可以查看抓回来的网页的javascript部分
type=1
elif (type=='3'):
type=2
elif (type=='2'):
type=0
else:
type=-1
if indebug:print '4',ip,port,type,area
area=unicode(area, 'cp936')
area=area.encode('utf8')
ret.append([ip,port,type,area])
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_5(page=12):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.ipfree.cn/index2.asp?page=%(num)01d'%{'num':i})
return ret
def parse_page_5(html=''):
matches=re.findall(r"<font color=black>([^<]*)</font>",html)
ret=[]
for index, match in enumerate(matches):
if (index%3==0):
ip=matches[index+1]
port=matches[index+2]
type=-1 #该网站未提供代理服务器类型
if indebug:print '5',ip,port,type,match
area=unicode(match, 'cp936')
area=area.encode('utf8')
ret.append([ip,port,type,area])
else:
continue
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_6(page=3):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.cnproxy.com/proxy%(num)01d.html'%{'num':i})
return ret
def parse_page_6(html=''):
matches=re.findall(r'''<tr>
<td>([^&]+) #ip
\:([^<]+) #port
</td>
<td>HTTP</td>
<td>[^<]+</td>
<td>([^<]+)</td> #area
</tr>''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=-1 #该网站未提供代理服务器类型
area=match[2]
if indebug:print '6',ip,port,type,area
area=unicode(area, 'cp936')
area=area.encode('utf8')
ret.append([ip,port,type,area])
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_7(page=1):
return ['http://www.proxylists.net/http_highanon.txt']
def parse_page_7(html=''):
matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=2
area='--'
ret.append([ip,port,type,area])
if indebug:print '7',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_8(page=1):
return ['http://www.proxylists.net/http.txt']
def parse_page_8(html=''):
matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=-1
area='--'
ret.append([ip,port,type,area])
if indebug:print '8',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_9(page=6):
page=page+1
ret=[]
for i in range(0,page):
ret.append('http://proxylist.sakura.ne.jp/index.htm?pages=%(n)01d'%{'n':i})
return ret
def parse_page_9(html=''):
matches=re.findall(r'''
(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
\:(\d{2,5}) #port
<\/TD>[\s\r\n]*
<TD>([^<]+)</TD> #area
[\s\r\n]*
<TD>([^<]+)</TD> #type
''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=match[3]
area=match[2]
if (type=='Anonymous'):
type=1
else:
type=-1
ret.append([ip,port,type,area])
if indebug:print '9',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_10(page=5):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.publicproxyservers.com/page%(n)01d.html'%{'n':i})
return ret
def parse_page_10(html=''):
matches=re.findall(r'''
(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
<\/td>[\s\r\n]*
<td[^>]+>(\d{2,5})<\/td> #port
[\s\r\n]*
<td>([^<]+)<\/td> #type
[\s\r\n]*
<td>([^<]+)<\/td> #area
''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[0]
port=match[1]
type=match[2]
area=match[3]
if (type=='high anonymity'):
type=2
elif (type=='anonymous'):
type=1
elif (type=='transparent'):
type=0
else:
type=-1
ret.append([ip,port,type,area])
if indebug:print '10',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_11(page=10):
page=page+1
ret=[]
for i in range(1,page):
ret.append('http://www.my-proxy.com/list/proxy.php?list=%(n)01d'%{'n':i})
ret.append('http://www.my-proxy.com/list/proxy.php?list=s1')
ret.append('http://www.my-proxy.com/list/proxy.php?list=s2')
ret.append('http://www.my-proxy.com/list/proxy.php?list=s3')
return ret
def parse_page_11(html=''):
matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
ret=[]
if (html.find('(Level 1)')>0):
type=2
elif (html.find('(Level 2)')>0):
type=1
elif (html.find('(Level 3)')>0):
type=0
else:
type=-1
for match in matches:
ip=match[0]
port=match[1]
area='--'
ret.append([ip,port,type,area])
if indebug:print '11',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_12(page=4):
ret=[]
ret.append('http://www.cybersyndrome.net/plr4.html')
ret.append('http://www.cybersyndrome.net/pla4.html')
ret.append('http://www.cybersyndrome.net/pld4.html')
ret.append('http://www.cybersyndrome.net/pls4.html')
return ret
def parse_page_12(html=''):
matches=re.findall(r'''
onMouseOver\=
"s\(\'(\w\w)\'\)" #area
\sonMouseOut\="d\(\)"\s?c?l?a?s?s?\=?"?
(\w?) #type
"?>
(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
\:(\d{2,5}) #port
''',html,re.VERBOSE)
ret=[]
for match in matches:
ip=match[2]
port=match[3]
area=match[0]
type=match[1]
if (type=='A'):
type=2
elif (type=='B'):
type=1
else:
type=0
ret.append([ip,port,type,area])
if indebug:print '12',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
def build_list_urls_13(page=3):
url='http://www.checkedproxylists.com/'
html=get_html(url)
matchs=re.findall(r"""
href\='([^']+)'>(?:high_anonymous|anonymous|transparent)
\sproxy\slist<\/a>""",html,re.VERBOSE)
return map(lambda x: url+x, matchs)
def parse_page_13(html=''):
html_matches=re.findall(r"eval\(unescape\('([^']+)'\)",html)
if (len(html_matches)>0):
conent=urllib.unquote(html_matches[0])
matches=re.findall(r"""<td>(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})<\/td>
<td>(\d{2,5})<\/td><\/tr>""",conent,re.VERBOSE)
ret=[]
if (html.find('<title>Checked Proxy Lists - proxylist_high_anonymous_')>0):
type=2
elif (html.find('<title>Checked Proxy Lists - proxylist_anonymous_')>0):
type=1
elif (html.find('<title>Checked Proxy Lists - proxylist_transparent_')>0):
type=0
else:
type=-1
for match in matches:
ip=match[0]
port=match[1]
area='--'
ret.append([ip,port,type,area])
if indebug:print '13',ip,port,type,area
return ret
################################################################################
#
## by Go_Rush(阿舜) from http://ashun.cnblogs.com/
#
################################################################################
#线程类
class TEST(threading.Thread):
def __init__(self,action,index=None,checklist=None):
threading.Thread.__init__(self)
self.index =index
self.action=action
self.checklist=checklist
def run(self):
if (self.action=='getproxy'):
get_proxy_one_website(self.index)
else:
check_proxy(self.index,self.checklist)
def check_proxy(index,checklist=[]):
for item in checklist:
check_one_proxy(item[0],item[1])
def patch_check_proxy(threadCount,action=''):
global check_in_one_call,skip_check_in_hour,conn
threads=[]
if (action=='checknew'): #检查所有新加入，并且从未被检查过的
orderby=' `time_added` desc '
strwhere=' `active` is null '
elif (action=='checkok'): #再次检查 以前已经验证成功的 代理
orderby=' `time_checked` asc '
strwhere=' `active`=1 '
elif (action=='checkfail'): #再次检查以前验证失败的代理
orderby=' `time_checked` asc '
strwhere=' `active`=0 '
else: #检查所有的
orderby=' `time_checked` asc '
strwhere=' 1=1 '
sql="""
select `ip`,`port` FROM `proxier` where
`time_checked` < (unix_timestamp()-%(skip_time)01s)
and %(strwhere)01s
order by %(order)01s
limit %(num)01d
"""%{ 'num':check_in_one_call,
'strwhere':strwhere,
'order':orderby,
'skip_time':skip_check_in_hour*3600}
conn.execute(sql)
rows = conn.fetchall()
check_in_one_call=len(rows)
#计算每个线程将要检查的代理个数
if len(rows)>=threadCount:
num_in_one_thread=len(rows)/threadCount
else:
num_in_one_thread=1
threadCount=threadCount+1
print "现在开始验证以下代理服务器....."
for index in range(1,threadCount):
#分配每个线程要检查的checklist,并把那些剩余任务留给最后一个线程
checklist=rows[(index-1)*num_in_one_thread:index*num_in_one_thread]
if (index+1==threadCount):
checklist=rows[(index-1)*num_in_one_thread:]
t=TEST(action,index,checklist)
t.setDaemon(True)
t.start()
threads.append((t))
for thread in threads:
thread.join(60)
update_proxies() #把所有的检查结果更新到数据库
def get_proxy_one_website(index):
global proxy_array
func='build_list_urls_'+str(index)
parse_func=eval('parse_page_'+str(index))
urls=eval(func+'()')
for url in urls:
html=get_html(url)
print url
proxylist=parse_func(html)
for proxy in proxylist:
ip=string.strip(proxy[0])
port=string.strip(proxy[1])
if (re.compile("^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}{1}quot;).search(ip)):
type=str(proxy[2])
area=string.strip(proxy[3])
proxy_array.append([ip,port,type,area])
def get_all_proxies():
global web_site_count,conn,skip_get_in_hour
#检查最近添加代理是什么时候，避免短时间内多次抓取
rs=conn.execute("select max(`time_added`) from `proxier` limit 1")
last_add=rs.fetchone()[0]
if (last_add and my_unix_timestamp()-last_add<skip_get_in_hour*3600):
print """
放弃抓取代理列表!
因为最近一次抓取代理的时间是: %(t)1s
这个时间距离现在的时间小于抓取代理的最小时间间隔: %(n)1d 小时
如果一定要现在抓取代理，请修改全局变量: skip_get_in_hour 的值
"""%{'t':formattime(last_add),'n':skip_get_in_hour}
return
print "现在开始从以下"+str(web_site_count)+"个网站抓取代理列表...."
threads=[]
count=web_site_count+1
for index in range(1,count):
t=TEST('getproxy',index)
t.setDaemon(True)
t.start()
threads.append((t))
for thread in threads:
thread.join(60)
add_proxies_to_db()
def add_proxies_to_db():
global proxy_array
count=len(proxy_array)
for i in range(count):
item=proxy_array[i]
sql="""insert into `proxier` (`ip`,`port`,`type`,`time_added`,`area`) values
('"""+item[0]+"',"+item[1]+","+item[2]+",unix_timestamp(),'"+clean_string(item[3])+"')"
try:
conn.execute(sql)
print "%(num)2.1f\%\t"%{'num':100*(i+1)/count},item[0],":",item[1]
except:
pass
def update_proxies():
global update_array
for item in update_array:
sql='''
update `proxier` set `time_checked`=unix_timestamp(),
`active`=%(active)01d,
`speed`=%(speed)02.3f
where `ip`='%(ip)01s' and `port`=%(port)01d
'''%{'active':item[2],'speed':item[3],'ip':item[0],'port':item[1]}
try:
conn.execute(sql)
except:
pass
#sqlite 不支持 unix_timestamp这个函数,所以我们要自己实现
def my_unix_timestamp():
return int(time.time())
def clean_string(s):
tmp=re.sub(r"['\,\s\\\/]", ' ', s)
return re.sub(r"\s+", ' ', tmp)
def formattime(t):
return time.strftime('%c',time.gmtime(t+8*3600))
def open_database():
global db,conn,day_keep,dbfile
try:
from pysqlite2 import dbapi2 as sqlite
except:
print """
本程序使用 sqlite 做数据库来保存数据，运行本程序需要 pysqlite的支持
python 访问 sqlite 需要到下面地址下载这个模块 pysqlite, 272kb
http://initd.org/tracker/pysqlite/wiki/pysqlite#Downloads
下载(Windows binaries for Python 2.x)
"""
raise SystemExit
try:
db = sqlite.connect(dbfile,isolation_level=None)
db.create_function("unix_timestamp", 0, my_unix_timestamp)
conn = db.cursor()
except:
print "操作sqlite数据库失败，请确保脚本所在目录具有写权限"
raise SystemExit
sql="""
/* ip: 只要纯ip地址(xxx.xxx.xxx.xxx)的代理 */
/* type: 代理类型 2:高匿 1:普匿 0:透明 -1: 未知 */
/* status: 这个字段本程序还没有用到，留在这里作以后扩展*/
/* active: 代理是否可用 1:可用 0:不可用 */
/* speed: 请求相应时间，speed越小说明速度越快 */
CREATE TABLE IF NOT EXISTS `proxier` (
`ip` varchar(15) NOT NULL default '',
`port` int(6) NOT NULL default '0',
`type` int(11) NOT NULL default '-1',
`status` int(11) default '0',
`active` int(11) default NULL,
`time_added` int(11) NOT NULL default '0',
`time_checked` int(11) default '0',
`time_used` int(11) default '0',
`speed` float default NULL,
`area` varchar(120) default '--', /* 代理服务器所在位置 */
PRIMARY KEY (`ip`)
);
/*
CREATE INDEX IF NOT EXISTS `type` ON proxier(`type`);
CREATE INDEX IF NOT EXISTS `time_used` ON proxier(`time_used`);
CREATE INDEX IF NOT EXISTS `speed` ON proxier(`speed`);
CREATE INDEX IF NOT EXISTS `active` ON proxier(`active`);
*/
PRAGMA encoding = "utf-8"; /* 数据库用 utf-8编码保存 */
"""
conn.executescript(sql)
conn.execute("""DELETE FROM `proxier`
where `time_added`< (unix_timestamp()-?)
and `active`=0""",(day_keep*86400,))
conn.execute("select count(`ip`) from `proxier`")
m1=conn.fetchone()[0]
if m1 is None:return
conn.execute("""select count(`time_checked`)
from `proxier` where `time_checked`>0""")
m2=conn.fetchone()[0]
if m2==0:
m3,m4,m5=0,"尚未检查","尚未检查"
else:
conn.execute("select count(`active`) from `proxier` where `active`=1")
m3=conn.fetchone()[0]
conn.execute("""select max(`time_checked`), min(`time_checked`)
from `proxier` where `time_checked`>0 limit 1""")
rs=conn.fetchone()
m4,m5=rs[0],rs[1]
m4=formattime(m4)
m5=formattime(m5)
print """
共%(m1)1d条代理，其中%(m2)1d个代理被验证过，%(m3)1d个代理验证有效。
最近一次检查时间是：%(m4)1s
最远一次检查时间是: %(m5)1s
提示：对于检查时间超过24小时的代理，应该重新检查其有效性
"""%{'m1':m1,'m2':m2,'m3':m3,'m4':m4,'m5':m5}
def close_database():
global db,conn
conn.close()
db.close()
conn=None
db=None
if __name__ == '__main__':
open_database()
get_all_proxies()
patch_check_proxy(thread_num)
output_file()
close_database()
print "所有工作已经完成"
1086
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
