Python代理抓取并验证使用多线程实现
来源：
中文源码网 浏览：149 次 日期：2024-05-09 21:27:10
【下载文档: Python代理抓取并验证使用多线程实现.txt 】
Python代理抓取并验证使用多线程实现
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
