利用Python爬取可用的代理IP

前言

就以最近发现的一个免费代理IP网站为例：http://www.xicidaili.com/nn/。在使用的时候发现很多IP都用不了。

所以用Python写了个脚本，该脚本可以把能用的代理IP检测出来。

 1 #encoding=utf8
 2 import urllib2
 3 from bs4 import BeautifulSoup
 4 import urllib
 5 import socket
 6   
 7 User_Agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
 8 header = {}
 9 header['User-Agent'] = User_Agent
10   
11 '''
12 获取所有代理IP地址
13 '''
14 def getProxyIp():
15  proxy = []
16  for i in range(1,2):
17   try:
18    url = 'http://www.xicidaili.com/nn/'+str(i)
19    req = urllib2.Request(url,headers=header)
20    res = urllib2.urlopen(req).read()
21    soup = BeautifulSoup(res)
22    ips = soup.findAll('tr')
23    for x in range(1,len(ips)):
24     ip = ips[x]
25     tds = ip.findAll("td")
26     ip_temp = tds[1].contents[0]+"	"+tds[2].contents[0]
27     proxy.append(ip_temp)
28   except:
29    continue
30  return proxy
31    
32 '''
33 验证获得的代理IP地址是否可用
34 '''
35 def validateIp(proxy):
36  url = "http://ip.chinaz.com/getip.aspx"
37  f = open("E:ip.txt","w")
38  socket.setdefaulttimeout(3)
39  for i in range(0,len(proxy)):
40   try:
41    ip = proxy[i].strip().split("	")
42    proxy_host = "http://"+ip[0]+":"+ip[1]
43    proxy_temp = {"http":proxy_host}
44    res = urllib.urlopen(url,proxies=proxy_temp).read()
45    f.write(proxy[i]+'
')
46    print proxy[i]
47   except Exception,e:
48    continue
49  f.close()
50   
51      
52 if __name__ == '__main__':
53  proxy = getProxyIp()
54  validateIp(proxy)

总结

这只是爬取的第一页的IP地址，如有需要，可以多爬取几页。同时，该网站是时时更新的，建议爬取时只爬取前几页的即可。