V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
yxy2829
V2EX  ›  Python

Python -爬虫-抓取代理 ip 问题

  •  
  •   yxy2829 · 2017-07-24 15:22:11 +08:00 · 3664 次点击
    这是一个创建于 2465 天前的主题,其中的信息可能已经有所发展或是发生改变。
    http://www.goubanjia.com/free/anoy/%E9%AB%98%E5%8C%BF/index.shtml

    抓取代理 ip 时,获得的端口号与网页上显示的端口号不一样,有没有什么办法获取正确的端口号?
    16 条回复    2017-07-26 14:49:50 +08:00
    xiaobai987
        1
    xiaobai987  
       2017-07-24 15:27:07 +08:00
    代码发上来看看 没代码怎么分析呢
    VicYu
        2
    VicYu  
       2017-07-24 15:27:20 +08:00
    过滤掉 display:none;
    yxy2829
        3
    yxy2829  
    OP
       2017-07-24 15:34:38 +08:00
    代码如下:

    import requests
    from lxml import etree

    class Proxy(object):
    def __init__(self):
    self.tm_url = 'http://www.goubanjia.com/free/anoy/%E9%80%8F%E6%98%8E/index{page}.shtml' # 1,2,3

    def get_proxy(self, url):
    r = requests.get(url, headers={
    'User-Agent': 'Mozilla/5.0 (Windows x86; rv:19.0) Gecko/20100101 Firefox/19.0,'
    })
    html = etree.HTML(r.content)
    all_proxy = html.xpath('//table//tr[td]')
    for i in all_proxy:
    ip_port = ''.join(i.xpath('./td[1]/span[@style]/text()|'
    './td[1]/div[@style]/text()|'
    './td[1]/p[@style]/text()|'
    './td[1]/text()|'
    './td[1]/span[@class]/text()'))
    ip, port = ip_port.split(':')
    anonymous = i.xpath('./td[2]/a/text()')[0]
    http_type = ''.join(i.xpath('./td[3]/a/text()')) or 'http'
    proxy = (ip, port, anonymous, http_type)
    yield proxy

    def start(self):
    for page in range(1, 3):
    tm_url = self.tm_url.format(page=page)
    for proxy in self.get_proxy(tm_url):
    yield proxy
    if __name__ == '__main__':
    p = Proxy()
    for i in p.start():
    print i
    yxy2829
        4
    yxy2829  
    OP
       2017-07-24 15:36:51 +08:00
    @VicYu ip 可以正确获取,端口有问题
    xiaobai987
        5
    xiaobai987  
       2017-07-24 15:42:12 +08:00
    端口肯定利用 js 转换了 我再看看
    yxy2829
        6
    yxy2829  
    OP
       2017-07-24 15:53:05 +08:00
    @xiaobai987 好的
    niuoh
        7
    niuoh  
       2017-07-24 16:03:01 +08:00   ❤️ 1
    推荐个用着不错的 爬虫代理 ip-chi.net
    yxy2829
        8
    yxy2829  
    OP
       2017-07-24 16:03:52 +08:00
    @niuoh 非常感谢
    lc4t
        9
    lc4t  
       2017-07-24 16:08:23 +08:00
    ```python

    # 先测试下能不能识别代码
    # 尤其是换行
    def _(d):
    pass
    ```
    lc4t
        10
    lc4t  
       2017-07-24 16:09:01 +08:00
    翻出来了原来写的。。

    ```python
    def goubanjia_com(self, *args):
    logger.info('giubanjia.com start')
    i = 1
    self.THREAD_ID += 1
    while(1):
    url = 'http://www.goubanjia.com/free/index%d.shtml' % (i)
    r = requests.get(url, headers=self.http_headers())
    if r.status_code == 404:
    break
    try:
    html = BeautifulSoup(r.text, 'lxml')
    tbody = html.tbody
    for tr in tbody.find_all('tr'):
    p = proxy()

    [x.extract() for x in tr.find_all('p')]


    try:
    _ = tr.find_all('td', {'class':"ip"})[0].text
    _ = _.split(':')
    p.ip = _[0]
    p.port = int(_[1])
    # p.port = int(tr.find_all('td', {'data-title':"PORT"})[0].text)

    p.safe = tr.find_all('td')[1].text.replace(' ', '').replace('\n', '').replace('\t', '')
    p.type = tr.find_all('td')[2].text.replace(' ', '').replace('\n', '').replace('\t', '')
    p.place = tr.find_all('td')[3].text.replace(' ', '').replace('\n', '').replace('\t', '').replace('\r', '').replace('\xa0', '')
    p.net = tr.find_all('td')[4].text.replace(' ', '').replace('\n', '').replace('\t', '')
    except IndexError as e:
    print(tr)
    logger.error('%s is index error' % p)
    # exit(0)

    logger.debug('<get>%s' % p)
    self.wait_for_verify.put(p)
    self.THREAD_ID += 1
    self.add_thread(self.verify_proxy_thread, self.THREAD_ID)
    logger.debug('%s ok' % url)
    gevent.sleep(1)
    except AttributeError as e:
    print(e)
    # print(r.text)
    gevent.sleep(10)
    logger.error('%s Error, sleep 10s' % url)
    continue

    # exit()
    i += 1

    ```
    lc4t
        11
    lc4t  
       2017-07-24 16:11:45 +08:00
    xiaobai987
        12
    xiaobai987  
       2017-07-24 16:19:16 +08:00
    var _$ = ['.port', "each", "html", "indexOf", '*', "attr", 'class', "split", " ", "", "length", "push", 'ABCDEFGHIZ', "parseInt", "join", ''];
    $(function() {
    $(_$[0])[_$[1]](function() {
    var a = $(this)[_$[2]]();
    if (a[_$[3]](_$[4]) != -0x1) {
    return
    };
    var b = $(this)[_$[5]](_$[6]);
    try {
    b = (b[_$[7]](_$[8]))[0x1];
    var c = b[_$[7]](_$[9]);
    var d = c[_$[10]];
    var f = [];
    for (var g = 0x0; g < d; g++) {
    f[_$[11]](_$[12][_$[3]](c[g]))
    };
    $(this)[_$[2]](window[_$[13]](f[_$[14]](_$[15])) >> 0x3)
    } catch (e) {}
    })
    })
    这是解密代码哦
    yxy2829
        13
    yxy2829  
    OP
       2017-07-24 16:26:45 +08:00
    @lc4t
    @xiaobai987
    非常感谢,我看一看
    tangzipeng
        14
    tangzipeng  
       2017-07-24 18:10:29 +08:00   ❤️ 1
    def get_poxy(port_word):
    _, word = port_word.split(' ')
    num_list = []
    for item in word:
    num = 'ABCDEFGHIZ'.find(item)
    num_list.append(str(num))

    port = int("".join(num_list)) >> 0x3
    return port

    可以试下我这个函数~ 拿到端口那里的大写字母,传进去就返回了~
    xiaobai987
        15
    xiaobai987  
       2017-07-25 09:13:33 +08:00
    @tangzipeng 厉害 关键还是解密 JS
    yxy2829
        16
    yxy2829  
    OP
       2017-07-26 14:49:50 +08:00
    @tangzipeng 很厉害,函数可以获得正确的结果,非常感谢
    @xiaobai987 解密代码从哪里可以找到呢?
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   5482 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 28ms · UTC 06:37 · PVG 14:37 · LAX 23:37 · JFK 02:37
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.