Python3.4实现从HTTP代理网站批量获取代理并筛选的方法示例
本文实例讲述了Python3.4实现从HTTP代理网站批量获取代理并筛选的方法。分享给大家供大家参考，具体如下：
最近在写爬虫，苦于不采用代理的情况下，默认的IP不出几分钟就被封了，故而只能寻找代理。原以为找到HTTP代理就万事大吉了，没想到从那个网站获取的代理大部分都是不能用的，只有少部分能用。。。故而无奈之下，只能从那些代理网站大量获取代理IP，然后再拿过来进行进一步的筛选，将有效的代理IP提取出来，留待进一步使用。
筛选的主要原理是，通过main函数提取到未经筛选的代理rawProxyList，然后通过这些代理尝试连接目标网站（此文中是连接手机新浪网）。如果在规定时间内连接成功，则认定为有效代理，放到checkedProxyList之中。
__author__='multiangle'
__edition__='python3.4'
importthreading
importurllib.requestasrequest
importtime
rawProxyList=[]
checkedProxyList=[]
classproxycheck(threading.Thread):
def__init__(self,proxy_list):
threading.Thread.__init__(self)
self.proxy_list=proxy_list
self.timeout=3
self.testurl='http://www.sina.cn/'
self.testStr='手机新浪网'
defcheckproxy(self):
cookies=request.HTTPCookieProcessor()
forproxyinself.proxy_list:
handler=request.ProxyHandler({'http':'http://%s'%(proxy)})
opener=request.build_opener(cookies,handler)
t1=time.time()
try:
req=opener.open(self.testurl,timeout=self.timeout)
res=req.read()
res=str(res,encoding='utf8')
usetime=time.time()-t1
ifself.testStrinres:
checkedProxyList.append((proxy,usetime))
exceptExceptionase:
print(e)
defrun(self):
self.checkproxy()
if__name__=='__main__':
num=20
thread_num=10
checkThrends=[]
url='YOURPROXYURL'#提取代理的网站。
req=request.urlopen(url).read()
req=str(req,encoding='utf-8')
list=req.split('\r\n')#网站返回的是字符串格式，用'\r\n'进行分割
rawProxyList=list
print('getrawproxy')
foriinrawProxyList:
print(i)
#s=proxycheck_test(rawProxyList)
batch_size=int((len(rawProxyList)+thread_num-1)/thread_num)
print(batch_size)
foriinrange(thread_num):
t=proxycheck(rawProxyList[batch_size*i:batch_size*(i+1)])
checkThrends.append(t)
foriinrange(checkThrends.__len__()):
checkThrends[i].start()
foriinrange(checkThrends.__len__()):
checkThrends[i].join()
print(checkedProxyList.__len__(),'usefulproxyisfind')
foriincheckedProxyList:
print(i)
更多关于Python相关内容可查看本站专题：《PythonSocket编程技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。