标签：
一年前突然有个灵感，想搞个强大的网盘搜索引擎，但由于大学本科学习软件工程偏嵌入式方向，web方面的能力有点弱，不会jsp，不懂html，好久没有玩过sql，但就是趁着年轻人的这股不妥协的劲儿，硬是把以前没有学习的全部给学了一遍，现在感觉web原来也就那么回事。好了，废话就不说了，看到本文的读者，可以先看看我做的东西：去转盘网
ok搜搜：www.oksousou.com（这个是磁力，顺便拿出来给大伙观赏）
言归正传，由于我要爬取百度网盘，而度娘你懂的的搞爬虫出生的，反爬虫的能力很牛掰。尤其像我用我的电脑去爬百度网盘，爬几天百度就盯上了我的机子，爬虫开始爬不出东西。之后网上东查，西查，发现可以通过代理来解决这个问题，所以又去爬代理。我爬的是这个网站：
http://www.xicidaili.com/ 之后他貌似他开始反击，我又将魔爪指向了：http://www.kuaidaili.com。
想必看这篇博文的多半是程序猿，所以还是先上代码(我会写注释的，放心，该爬虫以http://www.xicidaili.com/为目标):
#coding:utf-8
import json
import sys
import urllib, urllib2
import datetime
import time
reload(sys)
sys.setdefaultencoding(‘utf-8‘)
from Queue import Queue
from bs4 import BeautifulSoup
import MySQLdb as mdb
DB_HOST = ‘127.0.0.1‘
DB_USER = ‘root‘
DB_PASS = ‘root‘
ID=0
ST=1000
uk=‘3758096603‘
classify="inha"
proxy = {u‘https‘:u‘118.99.66.106:8080‘}
class ProxyServer:
def __init__(self): #这个就不说了，数据库初始化，我用的是mysql
self.dbconn = mdb.connect(DB_HOST, DB_USER, DB_PASS, ‘ebook‘, charset=‘utf8‘)
self.dbconn.autocommit(False)
self.next_proxy_set = set()
self.chance=0
self.fail=0
self.count_errno=0
self.dbcurr = self.dbconn.cursor()
self.dbcurr.execute(‘SET NAMES utf8‘)
def get_prxy(self,num): #这个函数用来爬取代理
while num>0:
global proxy,ID,uk,classify,ST
count=0
for page in range(1,718): #代理网站总页数，我给了个718页
if self.chance >0: #羊毛出在羊身上，如过爬取网站开始反击我，我就从他那爬下来的
代理伪装，这个self.chance表示我什么时候开始换代理
if ST % 100==0:
self.dbcurr.execute("select count(*) from proxy")
for r in self.dbcurr:
count=r[0]
if ST>count:
ST=1000 #我是从数据库的第1000条开始换的，这段你可以改，搞个随机函数随机换，我写的很简单
self.dbcurr.execute("select * from proxy where ID=%s",(ST))
results = self.dbcurr.fetchall()
for r in results:
protocol=r[1]
ip=r[2]
port=r[3]
pro=(protocol,ip+":"+port)
if pro not in self.next_proxy_set:
self.next_proxy_set.add(pro)
self.chance=0
ST+=1
proxy_support = urllib2.ProxyHandler(proxy) #注册代理
# opener = urllib2.build_opener(proxy_support,urllib2.HTTPHandler(debuglevel=1))
opener = urllib2.build_opener(proxy_support)
urllib2.install_opener(opener)
#添加头信息，模仿浏览器抓取网页，对付返回403禁止访问的问题
# i_headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘}
i_headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.48‘}
#url=‘http://www.kuaidaili.com/free/inha/‘ + str(page)
url=‘http://www.kuaidaili.com/free/‘+classify+‘/‘ + str(page)
html_doc=""
try:
req = urllib2.Request(url,headers=i_headers)
response = urllib2.urlopen(req, None,5)
html_doc = response.read() #这不就获取了要爬取的页面嘛？
except Exception as ex: #看抛出异常了，可能开始反击我，我开始换代理
print "ex=",ex
pass
self.chance+=1
if self.chance>0:
if len(self.next_proxy_set)>0:
protocol,socket=self.next_proxy_set.pop()
proxy= {protocol:socket}
print "proxy",proxy
print "change proxy success."
continue
#html_doc = urllib2.urlopen(‘http://www.xici.net.co/nn/‘ + str(page)).read()
if html_doc !="": #解析爬取的页面，用的beautifulSoup
soup = BeautifulSoup(html_doc,from_encoding="utf8")
#print "soup",soup
#trs = soup.find(‘table‘, id=‘ip_list‘).find_all(‘tr‘) #获得所有行
trs = ""
try:
trs = soup.find(‘table‘).find_all(‘tr‘)
except:
print "error"
continue
for tr in trs[1:]:
tds = tr.find_all(‘td‘)
ip = tds[0].text.strip() #ip
port = tds[1].text.strip() #端口
protocol = tds[3].text.strip()
#tds = tr.find_all(‘td‘)
#ip = tds[2].text.strip()
#port = tds[3].text.strip()
#protocol = tds[6].text.strip()
get_time= tds[6].text.strip()
#get_time = "20"+get_time
check_time = datetime.datetime.strptime(get_time,‘%Y-%m-%d %H:%M:%S‘)
temp = time.time()
x = time.localtime(float(temp))
time_now = time.strftime("%Y-%m-%d %H:%M:%S",x) # get time now,入库时间
http_ip = protocol+‘://‘+ip+‘:‘+port
if protocol == ‘HTTP‘ or protocol == ‘HTTPS‘: #只要http协议相关代理，其他一律不要
content=""
try: #我就是不放心这个网站，所以爬下来后我又开始检测代理是否真的有效
proxy_support=urllib2.ProxyHandler({protocol:http_ip})
# proxy_support = urllib2.ProxyHandler({‘http‘:‘http://124.200.100.50:8080‘})
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
if self.count_errno>50:
self.dbcurr.execute("select UID from visited where ID=%s",(ID)) #这是我的数据库，我取了一个叫uk的东东，这个
你不用管，你想检测拿你要爬取的链接检测代理吧
for uid in self.dbcurr:
uk=str(uid[0])
ID+=1
if ID>50000:
ID=0
self.count_errno=0
test_url="http://yun.baidu.com/pcloud/friend/getfanslist?start=0&query_uk="+uk+"&limit=24" #我用来检测的链接
print "download:",http_ip+">>"+uk
req1 = urllib2.Request(test_url,headers=i_headers)
response1 = urllib2.urlopen(req1, None,5)
content = response1.read()
except Exception as ex: #抛异常后的处理
#print "ex2=",ex
pass
self.fail+=1
if self.fail>10:
self.fail=0
break
continue
if content!="":
json_body = json.loads(content)
errno = json_body[‘errno‘]
self.count_errno+=1
if errno!=-55: #检验该代理是有用的，因为content！="" 并且度娘返回not -55
print "success."
self.dbcurr.execute(‘select ID from proxy where IP=%s‘, (ip)) #开始入库了
y = self.dbcurr.fetchone()
if not y:
print ‘add‘,‘%s//:%s:%s‘ % (protocol, ip, port)
self.dbcurr.execute(‘INSERT INTO proxy(PROTOCOL,IP,PORT,CHECK_TIME,ACQ_TIME) VALUES(%s,%s,%s,%s,%s)‘,(protocol,ip,port,check_time,time_now))
self.dbconn.commit()
num-=1
if num % 4 ==0:
classify="intr" #这个是原来网站的那几个标签栏名称，我是一栏一栏的爬取的
if num % 4 ==1:
classify="outha"
if num % 4 ==2:
classify="outtr"
if num % 4 ==3:
classify="inha"
if __name__ == ‘__main__‘:
proSer = ProxyServer()
proSer.get_prxy(10000) #爬10000次，单线程，爬个1两周没有问题
以上就是本人的代理爬虫代码，有兴趣可以加我qq：3047689758，还可以去：www.quzhuanpan.com首页关注我们的微博（如果你没有看到微博，可能是新代码我没有推），谢谢阅读，欢迎转载。
标签：
原文地址：http://www.cnblogs.com/huangxie/p/5464562.html
