Python代理抓取并验证使用多线程实现-Python Tutorial-php.cn

Python代理抓取并验证使用多线程实现
WBOY
Release： 2016-06-16 08:46:33
Original
1055 people have browsed it
没有使用队列，也没有线程池还在学习只是多线程
复制代码代码如下:
#coding:utf8 
import urllib2,sys,re 
import threading,os 
import time,datetime 
''''' 
这里没有使用队列 只是采用多线程分发对代理量不大的网页还行但是几百几千性能就很差了 
''' 
def get_proxy_page(url): 
'''''解析代理页面 获取所有代理地址''' 
proxy_list = [] 
p = re.compile(r'''''(.+?).*?(.+?).+?(.+?)(''') 
try: 
res = urllib2.urlopen(url) 
except urllib2.URLError: 
print 'url Error' 
sys.exit(1) 
pageinfo = res.read() 
res = p.findall(pageinfo) #取出所有的 
#组合成所有代理服务器列表成一个符合规则的list 
for i in res: 
ip = i[0] 
port = i[1] 
addr = i[2] 
l = (ip,port,addr) 
proxy_list.append(l) 
return proxy_list 
#同步锁装饰器 
lock = threading.Lock() 
def synchronous(f): 
def call(*args, **kw): 
lock.acquire() 
try: 
return f(*args, **kw) 
finally: 
lock.release() 
return call 
#时间计算器 
def sumtime(f): 
def call(*args, **kw): 
t1 = time.time() 
try: 
return f(*args, **kw) 
finally: 
print u'总共用时 %s' % (time.time() - t1) 
return call 
proxylist = [] 
reslist = [] 
#获取单个代理并处理 
@synchronous 
def getoneproxy(): 
global proxylist 
if len(proxylist)>0: 
return proxylist.pop() 
else: 
return '' 
#添加验证成功的代理 
@synchronous 
def getreslist(proxy): 
global reslist 
if not (proxy in reslist): 
reslist.append(proxy) 
def handle(): 
timeout = 10 
test_url = r'http://www.baidu.com' 
test_str = '030173' 
while 1: 
proxy = getoneproxy() 
#最后一个返回是空 
if not proxy: 
return 
print u"正在验证 : %s" %proxy[0] 
#第一步启用 cookie 
cookies = urllib2.HTTPCookieProcessor() 
proxy_server = r'http://%s:%s' %(proxy[0],proxy[1]) 
#第二步 装载代理 
proxy_hander = urllib2.ProxyHandler({"http":proxy_server}) 
#第三步 组合request 
try: 
opener = urllib2.build_opener(cookies, proxy_hander) 
pass 
except urllib2.URLError: 
print u'url设置错误' 
continue 
#配置request 
opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1')] 
#发送请求 
urllib2.install_opener(opener) 
t1 = time.time() 
try: 
req = urllib2.urlopen(test_url,timeout=timeout) 
result = req.read() 
pos = result.find(test_str) 
timeused = time.time() - t1 
if pos>1: 
#保存到列表中 
getreslist((proxy[0],proxy[1],proxy[2],timeused)) 
print u'成功采集',proxy[0],timeused 
else: 
continue 
except Exception,e: 
print u'采集失败 %s ：timeout' %proxy[0] 
continue 
def save(reslist): 
path = os.getcwd() 
filename = path + '/Proxy-'+datetime.datetime.now().strftime(r'%Y%m%d%H%M%S')+'.txt' 
f = open(filename,'w+') 
for proxy in reslist: 
f.write('%s %s %s %s \r\n'%(proxy[0],proxy[1],proxy[2],proxy[3])) 
f.close() 
@sumtime 
def main(): 
url = r'http://www.free998.net/daili/httpdaili/8949.html' 
global proxylist,reslist 
#获取所有线程 
proxylist = get_proxy_page(url) 
print u'一共获取 %s 个代理' %len(proxylist) 
#print proxylist 
print '*'*80 
#线程创建和分发任务 
print u'开始创建线程处理.....' 
threads = [] 
proxy_num = len(proxylist) 
for i in range(proxy_num): 
th = threading.Thread(target=handle, args=()) 
threads.append(th) 
for thread in threads: 
thread.start() 
for thread in threads: 
threading.Thread.join(thread) 
print u'获取有效代理 %s 个,现在开始排序和保存 '%len(reslist) 
reslist = sorted(reslist,cmp=lambda x,y:cmp(x[3],y[3])) 
save(reslist) 
if __name__=='__main__': 
main() 
 
输出： 
一共获取 31 个代理 
******************************************************************************** 
开始创建线程处理..... 
正在验证 : 122.10.48.13 
正在验证 : 122.72.76.121 
正在验证 : 122.72.11.129 
正在验证 : 222.89.159.131 
正在验证 : 218.5.74.174 
正在验证 : 218.203.107.165 
正在验证 : 219.224.101.81 
正在验证 : 221.176.169.14 
正在验证 : 112.5.254.85 
正在验证 : 113.106.73.210 
正在验证 : 114.247.21.212 
正在验证 : 122.72.76.122 
正在验证 : 219.239.26.23 
正在验证 : 222.89.154.14 
正在验证 : 58.67.147.197 
正在验证 : 222.188.88.26 
正在验证 : 103.247.16.241 
正在验证 : 183.221.250.141 
正在验证 : 183.221.250.137 
正在验证 : 122.72.80.108 
正在验证 : 122.72.76.125 
正在验证 : 122.72.11.131 
正在验证 : 122.72.80.101 
正在验证 : 122.72.120.41 
正在验证 : 122.72.120.38 
正在验证 : 122.72.120.35 
正在验证 : 218.203.105.26 
正在验证 : 221.130.18.211 
正在验证 : 110.77.236.48 
正在验证 : 218.91.206.146 
正在验证 : 211.162.16.210 
成功采集 114.247.21.212 0.300999879837 
成功采集 218.203.105.26 0.306999921799 
成功采集 221.176.169.14 0.417000055313 
成功采集 122.72.120.35 0.369999885559 
采集失败 218.5.74.174 ：timeout 
成功采集 122.72.120.38 0.40900015831 
成功采集 183.221.250.137 0.608999967575 
成功采集 122.72.11.131 0.679999828339 
成功采集 183.221.250.141 0.791000127792 
成功采集 113.106.73.210 0.891000032425 
成功采集 122.72.76.121 1.40299987793 
成功采集 122.72.80.108 1.4470000267 
成功采集 211.162.16.210 1.625 
成功采集 122.72.76.125 1.6819999218 
成功采集 112.5.254.85 1.74399995804 
成功采集 122.72.80.101 1.79799985886 
成功采集 122.72.11.129 2.00900006294 
成功采集 122.72.120.41 1.99099993706 
采集失败 222.188.88.26 ：timeout 
成功采集 122.72.76.122 3.49100017548 
成功采集 218.91.206.146 3.66000008583 
成功采集 122.10.48.13 3.91799998283 
成功采集 222.89.154.14 3.93499994278 
成功采集 222.89.159.131 3.99699997902 
成功采集 221.130.18.211 3.99500012398 
采集失败 219.224.101.81 ：timeout采集失败 218.203.107.165 ：timeout 
采集失败 58.67.147.197 ：timeout 
采集失败 103.247.16.241 ：timeout 
采集失败 110.77.236.48 ：timeout 
成功采集 219.239.26.23 12.2809998989 
获取有效代理 24 个,现在开始排序和保存 
总共用时 13.2810001373