java建立爬虫代理ip池

  • 时间:
  • 2806人关注

java建立爬虫代理ip池:1、要从提供代理ip的网站上抓取ip。2、初步过滤捕获的ip。3、对于符合要求的IP,进行质量检查。4、将符合要求的ip写入Redis数据库。5、设置一个抓取周期来更新您的IP代理池。,另外这篇文章主要知识点是关于代理、文档、抓取、网站、国内、的内容,如果大家想对相关知识点有系统深入的学习,可以参阅以下电子资料:

参考资料

  • minapp API 文档
  • 文档格式转换自动化测试技术与方法
  • Web Video Downloader
  • 头条小程序API文档
  • QQ 小程序 v1.5.1 服务端文档
  • 内容介绍

    小编给大家总结一篇《java建立爬虫代理ip池》的技术内容,好久没看到这么好的Java技术类文章,改了一下错误代码,为了大家阅读方便。

    java建立爬虫代理ip池

    步骤说明

    1、要从提供代理ip的网站上抓取ip。

    2、初步过滤捕获的ip。例如,从一开始就过滤IP类型不是HTTPS,IP链接速度超过2秒。

    3、对于符合要求的IP,进行质量检查,判断是否可用。这一步是检查IP的质量,也就是说这一步刷掉了很多IP。

    4、将符合要求的ip写入Redis数据库,并以List形式存储在Redis中。

    5、设置一个抓取周期来更新您的IP代理池(抓取并处理新的IP后,我们清空原始数据库,并将新的IP写入其中)

    实例

    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    import requests,threading,datetime
    from bs4 import BeautifulSoup
    import random
     
    """
    1、抓取代理网站的代理ip
    2、并根据指定的目标url,对抓取到ip的有效性进行验证
    3、最后存到指定的path
    """
     
    # ------------------------------------------------------文档处理--------------------------------------------------------
    # 写入文档
    def write(path,text):
        with open(path,'a', encoding='utf-8') as f:
            f.writelines(text)
            f.write('\n')
    # 清空文档
    def truncatefile(path):
        with open(path, 'w', encoding='utf-8') as f:
            f.truncate()
    # 读取文档
    def read(path):
        with open(path, 'r', encoding='utf-8') as f:
            txt = []
            for s in f.readlines():
                txt.append(s.strip())
        return txt
    # ----------------------------------------------------------------------------------------------------------------------
    # 计算时间差,格式: 时分秒
    def gettimediff(start,end):
        seconds = (end - start).seconds
        m, s = divmod(seconds, 60)
        h, m = divmod(m, 60)
        diff = ("%02d:%02d:%02d" % (h, m, s))
        return diff
    # ----------------------------------------------------------------------------------------------------------------------
    # 返回一个随机的请求头 headers
    def getheaders():
        user_agent_list = [ \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \
            "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \
            "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
        ]
        UserAgent=random.choice(user_agent_list)
        headers = {'User-Agent': UserAgent}
        return headers
    # -----------------------------------------------------检查ip是否可用----------------------------------------------------
    def checkip(targeturl,ip):
        headers =getheaders()  # 定制请求头
        proxies = {"http": "http://"+ip, "https": "http://"+ip}  # 代理ip
        try:
            response=requests.get(url=targeturl,proxies=proxies,headers=headers,timeout=5).status_code
            if response == 200 :
                return True
            else:
                return False
        except:
            return False
     
    #-------------------------------------------------------获取代理方法----------------------------------------------------
    # 免费代理 XiciDaili
    def findip(type,pagenum,targeturl,path): # ip类型,页码,目标url,存放ip的路径
        list={'1': 'http://www.xicidaili.com/nt/', # xicidaili国内普通代理
              '2': 'http://www.xicidaili.com/nn/', # xicidaili国内高匿代理
              '3': 'http://www.xicidaili.com/wn/', # xicidaili国内https代理
              '4': 'http://www.xicidaili.com/wt/'} # xicidaili国外http代理
        url=list[str(type)]+str(pagenum) # 配置url
        headers = getheaders() # 定制请求头
        html=requests.get(url=url,headers=headers,timeout = 5).text
        soup=BeautifulSoup(html,'lxml')
        all=soup.find_all('tr',class_='odd')
        for i in all:
            t=i.find_all('td')
            ip=t[1].text+':'+t[2].text
            is_avail = checkip(targeturl,ip)
            if is_avail == True:
                write(path=path,text=ip)
                print(ip)
     
    #-----------------------------------------------------多线程抓取ip入口---------------------------------------------------
    def getip(targeturl,path):
         truncatefile(path) # 爬取前清空文档
         start = datetime.datetime.now() # 开始时间
         threads=[]
         for type in range(4):   # 四种类型ip,每种类型取前三页,共12条线程
             for pagenum in range(3):
                 t=threading.Thread(target=findip,args=(type+1,pagenum+1,targeturl,path))
                 threads.append(t)
         print('开始爬取代理ip')
         for s in threads: # 开启多线程爬取
             s.start()
         for e in threads: # 等待所有线程结束
             e.join()
         print('爬取完成')
         end = datetime.datetime.now() # 结束时间
         diff = gettimediff(start, end)  # 计算耗时
         ips = read(path)  # 读取爬到的ip数量
         print('一共爬取代理ip: %s 个,共耗时: %s \n' % (len(ips), diff))
     
    #-------------------------------------------------------启动-----------------------------------------------------------
    if __name__ == '__main__':
        path = 'ip.txt' # 存放爬取ip的文档path
        targeturl = 'http://www.cnblogs.com/TurboWay/' # 验证ip有效性的指定url
        getip(targeturl,path)

    以上就是java建立爬虫代理ip池的方法,推荐大家使用品易http代理ip,千万ip资源百兆带宽,保证爬虫数据传输安全。提供高匿稳定代理ip服务,方便快捷获取网站数据,流量免费测试正在进行!java教程

    相关内容

    • java设计模式中代理模式的知识点

      下面小编就为大家带来一篇java设计模式-代理模式(实例讲解)。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧

      06-18java设计模式-代理模式(实例讲解)

      阅读更多
    • java动态静态代理原理实例代码

      这篇文章主要介绍了深度剖析java动态静态代理原理源码,关于Java中的动态代理,我们首先需要了解的是一种常用的设计模式--代理模式,而对于代理,根据创建代理类的时间点,又可以分为静

      08-02深度剖析java动态静态代理原理源码

      阅读更多
    • mysql帮助文档的使用

      本文给大家详细讲述的是mysql的help(帮助)命令的用法,非常细致,有需要的小伙伴可以来参考下

      03-21mysql学习笔记之帮助文档

      阅读更多
    • 实例解析python urllib urlopen()对象方法/代理的补充说明

      这篇文章主要介绍了python urllib urlopen()对象方法/代理的补充说明的相关资料,需要的朋友可以参考下

      02-22python urllib urlopen()对象方法/代理的补充说明

      阅读更多
    • 示例详解Jquery的基本对象转换和文档加载用法

      这篇文章主要介绍了Jquery的基本对象转换和文档加载用法,实例分析了Jquery的基本对象转换及文档加载使用技巧,具有一定参考借鉴价值,需要的朋友可以参考下

      01-19Jquery的基本对象转换和文档加载用法实例

      阅读更多

    学习笔记

    宫承天

    dom4j创建和解析xml文档的实现方法

    DOM4J解析 特征: 1、JDOM的一种智能分支,它合并了许多超出基本XML文档表示的功能。 2、它使用接口和抽象基本类方法。 3、具有性能优异、灵活性好、功能强大和极端易用的特点。 4、是一个开放源码的文件 jar包:dom4j-1.6.1.jar 创建 book.xml: package com.example.xml.dom4j;import java.io.FileWriter;import org.dom4j.Document;import org.dom4j.DocumentHelper;import org.dom4j.Element;import org.dom4j.io.OutputFormat;import org……

    吴秋柏

    实现nginx反向代理(附nginx教程)

    一,什么是反向代理: 反向代理服务器架设在服务器端,通过缓冲经常被请求的页面来缓解服务器的工作量,将客户机请求转发给内部网络上的目标服务器;并将从服务器上得到的结果返回给Internet上请求连接的客户端,此时代理服务器与目标主机一起对外表现为一个服务器。 二,反向代理的主要作用: 目前web网站使用反向代理,除了可以防止外网对内网服务器的恶性攻击、缓……