溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊(cè)×
其他方式登錄
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》

java如何建立爬蟲代理ip池

發(fā)布時(shí)間：2021-09-10 12:12:14 來源：億速云 閱讀：343 作者：小新 欄目：編程語言

這篇文章主要介紹了java如何建立爬蟲代理ip池，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

步驟說明

1、要從提供代理ip的網(wǎng)站上抓取ip。

2、初步過濾捕獲的ip。例如，從一開始就過濾IP類型不是HTTPS，IP鏈接速度超過2秒。

3、對(duì)于符合要求的IP，進(jìn)行質(zhì)量檢查，判斷是否可用。這一步是檢查IP的質(zhì)量，也就是說這一步刷掉了很多IP。

4、將符合要求的ip寫入Redis數(shù)據(jù)庫，并以List形式存儲(chǔ)在Redis中。

5、設(shè)置一個(gè)抓取周期來更新您的IP代理池(抓取并處理新的IP后，我們清空原始數(shù)據(jù)庫，并將新的IP寫入其中)

實(shí)例

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import requests,threading,datetime
from bs4 import BeautifulSoup
import random
 
"""
1、抓取代理網(wǎng)站的代理ip
2、并根據(jù)指定的目標(biāo)url,對(duì)抓取到ip的有效性進(jìn)行驗(yàn)證
3、最后存到指定的path
"""
 
# ------------------------------------------------------文檔處理--------------------------------------------------------
# 寫入文檔
def write(path,text):
    with open(path,'a', encoding='utf-8') as f:
        f.writelines(text)
        f.write('\n')
# 清空文檔
def truncatefile(path):
    with open(path, 'w', encoding='utf-8') as f:
        f.truncate()
# 讀取文檔
def read(path):
    with open(path, 'r', encoding='utf-8') as f:
        txt = []
        for s in f.readlines():
            txt.append(s.strip())
    return txt
# ----------------------------------------------------------------------------------------------------------------------
# 計(jì)算時(shí)間差,格式: 時(shí)分秒
def gettimediff(start,end):
    seconds = (end - start).seconds
    m, s = divmod(seconds, 60)
    h, m = divmod(m, 60)
    diff = ("%02d:%02d:%02d" % (h, m, s))
    return diff
# ----------------------------------------------------------------------------------------------------------------------
# 返回一個(gè)隨機(jī)的請(qǐng)求頭 headers
def getheaders():
    user_agent_list = [ \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
    ]
    UserAgent=random.choice(user_agent_list)
    headers = {'User-Agent': UserAgent}
    return headers
# -----------------------------------------------------檢查ip是否可用----------------------------------------------------
def checkip(targeturl,ip):
    headers =getheaders()  # 定制請(qǐng)求頭
    proxies = {"http": "http://"+ip, "https": "http://"+ip}  # 代理ip
    try:
        response=requests.get(url=targeturl,proxies=proxies,headers=headers,timeout=5).status_code
        if response == 200 :
            return True
        else:
            return False
    except:
        return False
 
#-------------------------------------------------------獲取代理方法----------------------------------------------------
# 免費(fèi)代理 XiciDaili
def findip(type,pagenum,targeturl,path): # ip類型,頁碼,目標(biāo)url,存放ip的路徑
    list={'1': 'http://www.xicidaili.com/nt/', # xicidaili國內(nèi)普通代理
          '2': 'http://www.xicidaili.com/nn/', # xicidaili國內(nèi)高匿代理
          '3': 'http://www.xicidaili.com/wn/', # xicidaili國內(nèi)https代理
          '4': 'http://www.xicidaili.com/wt/'} # xicidaili國外http代理
    url=list[str(type)]+str(pagenum) # 配置url
    headers = getheaders() # 定制請(qǐng)求頭
    html=requests.get(url=url,headers=headers,timeout = 5).text
    soup=BeautifulSoup(html,'lxml')
    all=soup.find_all('tr',class_='odd')
    for i in all:
        t=i.find_all('td')
        ip=t[1].text+':'+t[2].text
        is_avail = checkip(targeturl,ip)
        if is_avail == True:
            write(path=path,text=ip)
            print(ip)
 
#-----------------------------------------------------多線程抓取ip入口---------------------------------------------------
def getip(targeturl,path):
     truncatefile(path) # 爬取前清空文檔
     start = datetime.datetime.now() # 開始時(shí)間
     threads=[]
     for type in range(4):   # 四種類型ip,每種類型取前三頁,共12條線程
         for pagenum in range(3):
             t=threading.Thread(target=findip,args=(type+1,pagenum+1,targeturl,path))
             threads.append(t)
     print('開始爬取代理ip')
     for s in threads: # 開啟多線程爬取
         s.start()
     for e in threads: # 等待所有線程結(jié)束
         e.join()
     print('爬取完成')
     end = datetime.datetime.now() # 結(jié)束時(shí)間
     diff = gettimediff(start, end)  # 計(jì)算耗時(shí)
     ips = read(path)  # 讀取爬到的ip數(shù)量
     print('一共爬取代理ip: %s 個(gè),共耗時(shí): %s \n' % (len(ips), diff))
 
#-------------------------------------------------------啟動(dòng)-----------------------------------------------------------
if __name__ == '__main__':
    path = 'ip.txt' # 存放爬取ip的文檔path
    targeturl = 'http://www.cnblogs.com/TurboWay/' # 驗(yàn)證ip有效性的指定url
    getip(targeturl,path)

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“java如何建立爬蟲代理ip池”這篇文章對(duì)大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來學(xué)習(xí)!

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手