python写的多线程抓取代理服务器,保存,验证程序
程序功能:1. 能自动从12个网站抓取代理列表，并保存到数据库里面
2. 自动验证每个代理是否可用,并保存验证时的响应时间做为判断代理速度的依据
3. 能分类输出代理信息， 已验证的，未验证的，高度匿名代理，普通匿名代理，透明代理到不同文件
4. 支持的输出格式有 xml,htm,csv,txt,tab 每种文件都能自定义字段和格式
5. 扩展性比较强, 要添加一个新的抓取网站只需要改变一个全局变量，添加两个函数 (有详细接口说明)
6. 用 sqlite 做数据库，小巧，方便，简单，0配置，0安装，放在屁股口袋里就可以带走
7. 多线程抓取，多线程验证
运行环境：windows xp + python v2.4 ,其他版本未测试
1 # -*- coding: gb2312 -*-
2 # vi:ts=4:et
3
4 """
5 目前程序能从下列网站抓取代理列表
6
7 [url]http://www.cybersyndrome.net/[/url]
8 [url]http://www.pass-e.com/[/url]
9 [url]http://www.cnproxy.com/[/url]
10 [url]http://www.proxylists.net/[/url]
11 [url]http://www.my-proxy.com/[/url]
12 [url]http://www.samair.ru/proxy/[/url]
13 [url]http://proxy4free.com/[/url]
14 [url]http://proxylist.sakura.ne.jp/[/url]
15 [url]http://www.ipfree.cn/[/url]
16 [url]http://www.publicproxyservers.com/[/url]
17 [url]http://www.digitalcybersoft.com/[/url]
18 [url]http://www.checkedproxylists.com/[/url]
19
20 问:怎样才能添加自己的新网站，并自动让程序去抓取?
21 答:
22
23 请注意源代码中以下函数的定义.从函数名的最后一个数字从1开始递增，目前已经到了13
24
25 def build_list_urls_1(page=5):
26 def parse_page_2(html=''):
27
28 def build_list_urls_2(page=5):
29 def parse_page_2(html=''):
30
31 .......
32
33 def build_list_urls_13(page=5):
34 def parse_page_13(html=''):
35
36
37 你要做的就是添加 build_list_urls_14 和 parse_page_14 这两个函数
38 比如你要从 [url]www.somedomain.com[/url] 抓取
39 /somepath/showlist.asp?page=1
40 ... 到
41 /somepath/showlist.asp?page=8 假设共8页
42
43 那么 build_list_urls_14 就应该这样定义
44 要定义这个page这个参数的默认值为你要抓取的页面数8，这样才能正确到抓到8个页面
45 def build_list_urls_14(page=8):
46 .....
47 return [ #返回的是一个一维数组，数组每个元素都是你要抓取的页面的绝对地址
48 'http://www.somedomain.com/somepath/showlist.asp?page=1',
49 'http://www.somedomain.com/somepath/showlist.asp?page=2',
50 'http://www.somedomain.com/somepath/showlist.asp?page=3',
51 ....
52 'http://www.somedomain.com/somepath/showlist.asp?page=8'
53 ]
54
55 接下来再写一个函数 parse_page_14(html='')用来分析上面那个函数返回的那些页面html的内容
56 并从html中提取代理地址
57 注意： 这个函数会循环处理 parse_page_14 中的所有页面，传入的html就是那些页面的html文本
58
59 ip: 必须为 xxx.xxx.xxx.xxx 数字ip格式，不能为 [url]www.xxx.com[/url] 格式
60 port: 必须为 2-5位的数字
61 type: 必须为 数字 2,1,0,-1 中的其中一个。这些数字代表代理服务器的类型
62 2:高度匿名代理 1: 普通匿名代理 0:透明代理 -1: 无法确定的代理类型
63 #area: 代理所在国家或者地区， 必须转化为 utf8编码格式
64
65 def parse_page_14(html=''):
66 ....
67 return [
68 [ip,port,type,area]
69 [ip,port,type,area]
70 .....
71 ....
72 [ip,port,type,area]
73 ]
74
75 最后，最重要的一点:修改全局变量 web_site_count的值，让他加递增1 web_site_count=14
76
77
78
79 问：我已经按照上面的说明成功的添加了一个自定义站点，我要再添加一个，怎么办?
80 答：既然已经知道怎么添加 build_list_urls_14 和 parse_page_14了
81
82 那么就按照同样的办法添加
83 def build_list_urls_15(page=5):
84 def parse_page_15(html=''):
85
86 这两个函数，并 更新全局变量 web_site_count=15
87
88 """
89
90
91 import urllib,time,random,re,threading,string
92
93 web_site_count=13 #要抓取的网站数目
94 day_keep=2 #删除数据库中保存时间大于day_keep天的 无效代理
95 indebug=1
96
97 thread_num=100 # 开 thread_num 个线程检查代理
98 check_in_one_call=thread_num*25 # 本次程序运行时 最多检查的代理个数
99
100
101 skip_check_in_hour=1 # 在时间 skip_check_in_hour内,不对同一个代理地址再次验证
102 skip_get_in_hour=8 # 每次采集新代理的最少时间间隔 (小时)
103
104 proxy_array=[] # 这个数组保存将要添加到数据库的代理列表
105 update_array=[] # 这个数组保存将要更新的代理的数据
106
107 db=None #数据库全局对象
108 conn=None
109 dbfile='proxier.db' #数据库文件名
110
111 target_url="http://www.baidu.com/" # 验证代理的时候通过代理访问这个地址
112 target_string="030173" # 如果返回的html中包含这个字符串，
113 target_timeout=30 # 并且响应时间小于 target_timeout 秒
114 #那么我们就认为这个代理是有效的
115
116
117
118 #到处代理数据的文件格式，如果不想导出数据，请让这个变量为空 output_type=''
119
120 output_type='xml' #以下格式可选, 默认xml
121 # xml
122 # htm
123 # tab 制表符分隔, 兼容 excel
124 # csv 逗号分隔, 兼容 excel
125 # txt xxx.xxx.xxx.xxx:xx 格式
126
127 # 输出文件名 请保证这个数组含有六个元素
128 output_filename=[
129 'uncheck', # 对于未检查的代理,保存到这个文件
130 'checkfail', # 已经检查，但是被标记为无效的代理,保存到这个文件
131 'ok_high_anon', # 高匿代理(且有效)的代理,按speed排序，最块的放前面
132 'ok_anonymous', # 普通匿名(且有效)的代理,按speed排序，最块的放前面
133 'ok_transparent', # 透明代理(且有效)的代理,按speed排序，最块的放前面
134 'ok_other' # 其他未知类型(且有效)的代理,按speed排序
135 ]
136
137
138 #输出数据的格式 支持的数据列有
139 # _ip_ , _port_ , _type_ , _status_ , _active_ ,
140 #_time_added_, _time_checked_ ,_time_used_ , _speed_, _area_
141
142 output_head_string='' # 输出文件的头部字符串
143 output_format='' # 文件数据的格式
144 output_foot_string='' # 输出文件的底部字符串
145
146
147
148 if output_type=='xml':
149 output_head_string="<?xml version='1.0' encoding='gb2312'?><proxylist>\n"
150 output_format="""<item>
151 <ip>_ip_</ip>
152 <port>_port_</port>
153 <speed>_speed_</speed>
154 <last_check>_time_checked_</last_check>
155 <area>_area_</area>
156 </item>
157 """
158 output_foot_string="</proxylist>"
159 elif output_type=='htm':
160 output_head_string="""<table border=1 width='100%'>
161 <tr><td>代理</td><td>最后检查</td><td>速度</td><td>地区</td></tr>
162 """
163 output_format="""<tr>
164 <td>_ip_:_port_</td><td>_time_checked_</td><td>_speed_</td><td>_area_</td>
165 </tr>
166 """
167 output_foot_string="</table>"
168 else:
169 output_head_string=''
170 output_foot_string=''
171
172 if output_type=="csv":
173 output_format="_ip_, _port_, _type_, _speed_, _time_checked_, _area_\n"
174
175 if output_type=="tab":
176 output_format="_ip_\t_port_\t_speed_\t_time_checked_\t_area_\n"
177
178 if output_type=="txt":
179 output_format="_ip_:_port_\n"
180
181
182 # 输出文件的函数
183 def output_file():
184 global output_filename,output_head_string,output_foot_string,output_type
185 if output_type=='':
186 return
187 fnum=len(output_filename)
188 content=[]
189 for i in range(fnum):
190 content.append([output_head_string])
191
192 conn.execute("select * from `proxier` order by `active`,`type`,`speed` asc")
193 rs=conn.fetchall()
194
195 for item in rs:
196 type,active=item[2],item[4]
197 if active is None:
198 content[0].append(formatline(item)) #未检查
199 elif active==0:
200 content[1].append(formatline(item)) #非法的代理
201 elif active==1 and type==2:
202 content[2].append(formatline(item)) #高匿
203 elif active==1 and type==1:
204 content[3].append(formatline(item)) #普通匿名
205 elif active==1 and type==0:
206 content[4].append(formatline(item)) #透明代理
207 elif active==1 and type==-1:
208 content[5].append(formatline(item)) #未知类型的代理
209 else:
210 pass
211
212 for i in range(fnum):
213 content[i].append(output_foot_string)
214 f=open(output_filename[i]+"."+output_type,'w')
215 f.write(string.join(content[i],''))
216 f.close()
217
218 #格式化输出每条记录
219 def formatline(item):
220 global output_format
221 arr=['_ip_','_port_','_type_','_status_','_active_',
222 '_time_added_','_time_checked_','_time_used_',
223 '_speed_','_area_']
224 s=output_format
225 for i in range(len(arr)):
226 s=string.replace(s,arr[i],str(formatitem(item[i],i)))
227 return s
228
229
230 #对于数据库中的每个不同字段，要处理一下，中文要编码，日期字段要转化
231 def formatitem(value,colnum):
232 global output_type
233 if (colnum==9):
234 value=value.encode('cp936')
235 elif value is None:
236 value=''
237
238 if colnum==5 or colnum==6 or colnum==7: #time_xxxed
239 value=string.atof(value)
240 if value<1:
241 value=''
242 else:
243 value=formattime(value)
244
245 if value=='' and output_type=='htm':value=' '
246 return value
247
248
249
250 def check_one_proxy(ip,port):
251 global update_array
252 global check_in_one_call
253 global target_url,target_string,target_timeout
254
255 url=target_url
256 checkstr=target_string
257 timeout=target_timeout
258 ip=string.strip(ip)
259 proxy=ip+':'+str(port)
260 proxies = {'http': 'http://'+proxy+'/'}
261 opener = urllib.FancyURLopener(proxies)
262 opener.addheaders = [
263 ('User-agent','Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)')
264 ]
265 t1=time.time()
266
267 if (url.find("?")==-1):
268 url=url+'?rnd='+str(random.random())
269 else:
270 url=url+'&rnd='+str(random.random())
271
272 try:
273 f = opener.open(url)
274 s= f.read()
275 pos=s.find(checkstr)
276 except:
277 pos=-1
278 pass
279 t2=time.time()
280 timeused=t2-t1
281 if (timeused<timeout and pos>0):
282 active=1
283 else:
284 active=0
285 update_array.append([ip,port,active,timeused])
286 print len(update_array),' of ',check_in_one_call," ",ip,':',port,'--',int(timeused)
287
288
289 def get_html(url=''):
290 opener = urllib.FancyURLopener({}) #不使用代理
291 #[url]www.my-proxy.com[/url] 需要下面这个Cookie才能正常抓取
292 opener.addheaders = [
293 ('User-agent','Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)'),
294 ('Cookie','permission=1')
295 ]
296 t=time.time()
297 if (url.find("?")==-1):
298 url=url+'?rnd='+str(random.random())
299 else:
300 url=url+'&rnd='+str(random.random())
301 try:
302 f = opener.open(url)
303 return f.read()
304 except:
305 return ''
306
307
308
309
310
311
312 def build_list_urls_1(page=5):
313 page=page+1
314 ret=[]
315 for i in range(1,page):
316 ret.append('http://proxy4free.com/page%(num)01d.html'%{'num':i})
317 return ret
318
319 def parse_page_1(html=''):
320 matches=re.findall(r'''
321 <td>([\d\.]+)<\/td>[\s\n\r]* #ip
322 <td>([\d]+)<\/td>[\s\n\r]* #port
323 <td>([^\<]*)<\/td>[\s\n\r]* #type
324 <td>([^\<]*)<\/td> #area
325 ''',html,re.VERBOSE)
326 ret=[]
327 for match in matches:
328 ip=match[0]
329 port=match[1]
330 type=match[2]
331 area=match[3]
332 if (type=='anonymous'):
333 type=1
334 elif (type=='high anonymity'):
335 type=2
336 elif (type=='transparent'):
337 type=0
338 else:
339 type=-1
340 ret.append([ip,port,type,area])
341 if indebug:print '1',ip,port,type,area
342 return ret
343
344
345
346
347 def build_list_urls_2(page=1):
348 return ['http://www.digitalcybersoft.com/ProxyList/fresh-proxy-list.shtml']
349
350 def parse_page_2(html=''):
351 matches=re.findall(r'''
352 ((?:[\d]{1,3}\.){3}[\d]{1,3})\:([\d]+) #ip:port
353 \s+(Anonymous|Elite Proxy)[+\s]+ #type
354 (.+)\r?\n #area
355 ''',html,re.VERBOSE)
356 ret=[]
357 for match in matches:
358 ip=match[0]
359 port=match[1]
360 type=match[2]
361 area=match[3]
362 if (type=='Anonymous'):
363 type=1
364 else:
365 type=2
366 ret.append([ip,port,type,area])
367 if indebug:print '2',ip,port,type,area
368 return ret
369
370
371
372
373
374 def build_list_urls_3(page=15):
375 page=page+1
376 ret=[]
377 for i in range(1,page):
378 ret.append('http://www.samair.ru/proxy/proxy-%(num)02d.htm'%{'num':i})
379 return ret
380
381 def parse_page_3(html=''):
382 matches=re.findall(r'''
383 <tr><td><span\sclass\="\w+">(\d{1,3})<\/span>\. #ip(part1)
384 <span\sclass\="\w+">
385 (\d{1,3})<\/span> #ip(part2)
386 (\.\d{1,3}\.\d{1,3}) #ip(part3,part4)
387
388 \:\r?\n(\d{2,5})<\/td> #port
389 <td>([^<]+)</td> #type
390 <td>[^<]+<\/td>
391 <td>([^<]+)<\/td> #area
392 <\/tr>''',html,re.VERBOSE)
393 ret=[]
394 for match in matches:
395 ip=match[0]+"."+match[1]+match[2]
396 port=match[3]
397 type=match[4]
398 area=match[5]
399 if (type=='anonymous proxy server'):
400 type=1
401 elif (type=='high-anonymous proxy server'):
402 type=2
403 elif (type=='transparent proxy'):
404 type=0
405 else:
406 type=-1
407 ret.append([ip,port,type,area])
408 if indebug:print '3',ip,port,type,area
409 return ret
410
411
412
413
414
415 def build_list_urls_4(page=3):
416 page=page+1
417 ret=[]
418 for i in range(1,page):
419 ret.append('http://www.pass-e.com/proxy/index.php?page=%(n)01d'%{'n':i})
420 return ret
421
422 def parse_page_4(html=''):
423 matches=re.findall(r"""
424 list
425 \('(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})' #ip
426 \,'(\d{2,5})' #port
427 \,'(\d)' #type
428 \,'([^']+)'\) #area
429 \;\r?\n""",html,re.VERBOSE)
430 ret=[]
431 for match in matches:
432 ip=match[0]
433 port=match[1]
434 type=match[2]
435 area=match[3]
436 area=unicode(area, 'cp936')
437 area=area.encode('utf8')
438 if (type=='1'): #type的判断可以查看抓回来的网页的javascript部分
439 type=1
440 elif (type=='3'):
441 type=2
442 elif (type=='2'):
443 type=0
444 else:
445 type=-1
446 ret.append([ip,port,type,area])
447 if indebug:print '4',ip,port,type,area
448 return ret
449
450
451
452
453
454 def build_list_urls_5(page=12):
455 page=page+1
456 ret=[]
457 for i in range(1,page):
458 ret.append('http://www.ipfree.cn/index2.asp?page=%(num)01d'%{'num':i})
459 return ret
460
461 def parse_page_5(html=''):
462 matches=re.findall(r"<font color=black>([^<]*)</font>",html)
463 ret=[]
464 for index, match in enumerate(matches):
465 if (index%3==0):
466 ip=matches[index+1]
467 port=matches[index+2]
468 type=-1 #该网站未提供代理服务器类型
469 area=unicode(match, 'cp936')
470 area=area.encode('utf8')
471 if indebug:print '5',ip,port,type,area
472 ret.append([ip,port,type,area])
473 else:
474 continue
475 return ret
476
477
478
479
480 def build_list_urls_6(page=3):
481 page=page+1
482 ret=[]
483 for i in range(1,page):
484 ret.append('http://www.cnproxy.com/proxy%(num)01d.html'%{'num':i})
485 return ret
486
487 def parse_page_6(html=''):
488 matches=re.findall(r'''<tr>
489 <td>([^&]+) #ip
490 ‌?
491 \:([^<]+) #port
492 </td>
493 <td>HTTP</td>
494 <td>[^<]+</td>
495 <td>([^<]+)</td> #area
496 </tr>''',html,re.VERBOSE)
497 ret=[]
498 for match in matches:
499 ip=match[0]
500 port=match[1]
501 type=-1 #该网站未提供代理服务器类型
502 area=match[2]
503 area=unicode(area, 'cp936')
504 area=area.encode('utf8')
505 ret.append([ip,port,type,area])
506 if indebug:print '6',ip,port,type,area
507 return ret
508
509
510
511
512
513
514
515 def build_list_urls_7(page=1):
516 return ['http://www.proxylists.net/http_highanon.txt']
517
518 def parse_page_7(html=''):
519 matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
520 ret=[]
521 for match in matches:
522 ip=match[0]
523 port=match[1]
524 type=2
525 area='--'
526 ret.append([ip,port,type,area])
527 if indebug:print '7',ip,port,type,area
528 return ret
529
530
531
532
533
534
535
536
537 def build_list_urls_8(page=1):
538 return ['http://www.proxylists.net/http.txt']
539
540 def parse_page_8(html=''):
541 matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
542 ret=[]
543 for match in matches:
544 ip=match[0]
545 port=match[1]
546 type=-1
547 area='--'
548 ret.append([ip,port,type,area])
549 if indebug:print '8',ip,port,type,area
550 return ret
551
552
553
554
555
556
557 def build_list_urls_9(page=6):
558 page=page+1
559 ret=[]
560 for i in range(0,page):
561 ret.append('http://proxylist.sakura.ne.jp/index.htm?pages=%(n)01d'%{'n':i})
562 return ret
563
564 def parse_page_9(html=''):
565 matches=re.findall(r'''
566 (\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
567 \:(\d{2,5}) #port
568 <\/TD>[\s\r\n]*
569 <TD>([^<]+)</TD> #area
570 [\s\r\n]*
571 <TD>([^<]+)</TD> #type
572 ''',html,re.VERBOSE)
573 ret=[]
574 for match in matches:
575 ip=match[0]
576 port=match[1]
577 type=match[3]
578 area=match[2]
579 if (type=='Anonymous'):
580 type=1
581 else:
582 type=-1
583 ret.append([ip,port,type,area])
584 if indebug:print '9',ip,port,type,area
585 return ret
586
587
588
589 def build_list_urls_10(page=5):
590 page=page+1
591 ret=[]
592 for i in range(1,page):
593 ret.append('http://www.publicproxyservers.com/page%(n)01d.html'%{'n':i})
594 return ret
595
596 def parse_page_10(html=''):
597 matches=re.findall(r'''
598 (\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
599 <\/td>[\s\r\n]*
600 <td[^>]+>(\d{2,5})<\/td> #port
601 [\s\r\n]*
602 <td>([^<]+)<\/td> #type
603 [\s\r\n]*
604 <td>([^<]+)<\/td> #area
605 ''',html,re.VERBOSE)
606 ret=[]
607 for match in matches:
608 ip=match[0]
609 port=match[1]
610 type=match[2]
611 area=match[3]
612 if (type=='high anonymity'):
613 type=2
614 elif (type=='anonymous'):
615 type=1
616 elif (type=='transparent'):
617 type=0
618 else:
619 type=-1
620 ret.append([ip,port,type,area])
621 if indebug:print '10',ip,port,type,area
622 return ret
623
624
625
626
627
628 def build_list_urls_11(page=10):
629 page=page+1
630 ret=[]
631 for i in range(1,page):
632 ret.append('http://www.my-proxy.com/list/proxy.php?list=%(n)01d'%{'n':i})
633
634 ret.append('http://www.my-proxy.com/list/proxy.php?list=s1')
635 ret.append('http://www.my-proxy.com/list/proxy.php?list=s2')
636 ret.append('http://www.my-proxy.com/list/proxy.php?list=s3')
637 return ret
638
639 def parse_page_11(html=''):
640 matches=re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\:(\d{2,5})',html)
641 ret=[]
642
643 if (html.find('(Level 1)')>0):
644 type=2
645 elif (html.find('(Level 2)')>0):
646 type=1
647 elif (html.find('(Level 3)')>0):
648 type=0
649 else:
650 type=-1
651
652 for match in matches:
653 ip=match[0]
654 port=match[1]
655 area='--'
656 ret.append([ip,port,type,area])
657 if indebug:print '11',ip,port,type,area
658 return ret
659
660
661
662
663
664 def build_list_urls_12(page=4):
665 ret=[]
666 ret.append('http://www.cybersyndrome.net/plr4.html')
667 ret.append('http://www.cybersyndrome.net/pla4.html')
668 ret.append('http://www.cybersyndrome.net/pld4.html')
669 ret.append('http://www.cybersyndrome.net/pls4.html')
670 return ret
671
672 def parse_page_12(html=''):
673 matches=re.findall(r'''
674 onMouseOver\=
675 "s\(\'(\w\w)\'\)" #area
676 \sonMouseOut\="d\(\)"\s?c?l?a?s?s?\=?"?
677 (\w?) #type
678 "?>
679 (\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) #ip
680 \:(\d{2,5}) #port
681 ''',html,re.VERBOSE)
682 ret=[]
683 for match in matches:
684 ip=match[2]
685 port=match[3]
686 area=match[0]
687 type=match[1]
688 if (type=='A'):
689 type=2
690 elif (type=='B'):
691 type=1
692 else:
693 type=0
694 ret.append([ip,port,type,area])
695 if indebug:print '12',ip,port,type,area
696 return ret
697
698
699
700
701 def build_list_urls_13(page=3):
702 url='http://www.checkedproxylists.com/'
703 html=get_html(url)
704 matchs=re.findall(r"""
705 href\='([^']+)'>(?:high_anonymous|anonymous|transparent)
706 \sproxy\slist<\/a>""",html,re.VERBOSE)
707 return map(lambda x: url+x, matchs)
708
709 def parse_page_13(html=''):
710 html_matches=re.findall(r"eval\(unescape\('([^']+)'\)",html)
711 if (len(html_matches)>0):
712 conent=urllib.unquote(html_matches[0])
713 matches=re.findall(r"""<td>(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})<\/td>
714 <td>(\d{2,5})<\/td><\/tr>""",conent,re.VERBOSE)
715 ret=[]
716 if (html.find('<title>Checked Proxy Lists - proxylist_high_anonymous_')>0):
717 type=2
718 elif (html.find('<title>Checked Proxy Lists - proxylist_anonymous_')>0):
719 type=1
720 elif (html.find('<title>Checked Proxy Lists - proxylist_transparent_')>0):
721 type=0
722 else:
723 type=-1
724
725 for match in matches:
726 ip=match[0]
727 port=match[1]
728 area='--'
729 ret.append([ip,port,type,area])
730 if indebug:print '13',ip,port,type,area
731 return ret
732
733
734
735
736
737 #线程类
738
739 class TEST(threading.Thread):
740 def __init__(self,action,index=None,checklist=None):
741 threading.Thread.__init__(self)
742 self.index =index
743 self.action=action
744 self.checklist=checklist
745
746 def run(self):
747 if (self.action=='getproxy'):
748 get_proxy_one_website(self.index)
749 else:
750 check_proxy(self.index,self.checklist)
751
752
753 def check_proxy(index,checklist=[]):
754 for item in checklist:
755 check_one_proxy(item[0],item[1])
756
757
758 def patch_check_proxy(threadCount,action=''):
759 global check_in_one_call,skip_check_in_hour,conn
760 threads=[]
761 if (action=='checknew'): #检查所有新加入，并且从未被检查过的
762 orderby=' `time_added` desc '
763 strwhere=' `active` is null '
764 elif (action=='checkok'): #再次检查 以前已经验证成功的 代理
765 orderby=' `time_checked` asc '
766 strwhere=' `active`=1 '
767 elif (action=='checkfail'): #再次检查以前验证失败的代理
768 orderby=' `time_checked` asc '
769 strwhere=' `active`=0 '
770 else: #检查所有的
771 orderby=' `time_checked` asc '
772 strwhere=' 1=1 '
773 sql="""
774 select `ip`,`port` FROM `proxier` where
775 `time_checked` < (unix_timestamp()-%(skip_time)01s)
776 and %(strwhere)01s
777 order by %(order)01s
778 limit %(num)01d
779 """%{ 'num':check_in_one_call,
780 'strwhere':strwhere,
781 'order':orderby,
782 'skip_time':skip_check_in_hour*3600}
783 conn.execute(sql)
784 rows = conn.fetchall()
785
786 check_in_one_call=len(rows)
787
788 #计算每个线程将要检查的代理个数
789 if len(rows)>=threadCount:
790 num_in_one_thread=len(rows)/threadCount
791 else:
792 num_in_one_thread=1
793
794 threadCount=threadCount+1
795 print "现在开始验证以下代理服务器....."
796 for index in range(1,threadCount):
797 #分配每个线程要检查的checklist,并把那些剩余任务留给最后一个线程
798 checklist=rows[(index-1)*num_in_one_thread:index*num_in_one_thread]
799 if (index+1==threadCount):
800 checklist=rows[(index-1)*num_in_one_thread:]
801
802 t=TEST(action,index,checklist)
803 t.setDaemon(True)
804 t.start()
805 threads.append((t))
806 for thread in threads:
807 thread.join(60)
808 update_proxies() #把所有的检查结果更新到数据库
809
810
811 def get_proxy_one_website(index):
812 global proxy_array
813 func='build_list_urls_'+str(index)
814 parse_func=eval('parse_page_'+str(index))
815 urls=eval(func+'()')
816 for url in urls:
817 html=get_html(url)
818 print url
819 proxylist=parse_func(html)
820 for proxy in proxylist:
821 ip=string.strip(proxy[0])
822 port=string.strip(proxy[1])
823 if (re.compile("^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}$").search(ip)):
824 type=str(proxy[2])
825 area=string.strip(proxy[3])
826 proxy_array.append([ip,port,type,area])
827
828
829 def get_all_proxies():
830 global web_site_count,conn,skip_get_in_hour
831
832 #检查最近添加代理是什么时候，避免短时间内多次抓取
833 rs=conn.execute("select max(`time_added`) from `proxier` limit 1")
834 last_add=rs.fetchone()[0]
835 if (last_add and my_unix_timestamp()-last_add<skip_get_in_hour*3600):
836 print """
837 放弃抓取代理列表!
838 因为最近一次抓取代理的时间是: %(t)1s
839 这个时间距离现在的时间小于抓取代理的最小时间间隔: %(n)1d 小时
840 如果一定要现在抓取代理，请修改全局变量: skip_get_in_hour 的值
841 """%{'t':formattime(last_add),'n':skip_get_in_hour}
842 return
843
844 print "现在开始从以下"+str(web_site_count)+"个网站抓取代理列表...."
845 threads=[]
846 count=web_site_count+1
847 for index in range(1,count):
848 t=TEST('getproxy',index)
849 t.setDaemon(True)
850 t.start()
851 threads.append((t))
852 for thread in threads:
853 thread.join(60)
854 add_proxies_to_db()
855
856 def add_proxies_to_db():
857 global proxy_array
858 count=len(proxy_array)
859 for i in range(count):
860 item=proxy_array[i]
861 sql="""insert into `proxier` (`ip`,`port`,`type`,`time_added`,`area`) values('
862 """+item[0]+"',"+item[1]+","+item[2]+",unix_timestamp(),'"+clean_string(item[3])+"')"
863 try:
864 conn.execute(sql)
865 print "%(num)2.1f\%\t"%{'num':100*(i+1)/count},item[0],":",item[1]
866 except:
867 pass
868
869
870 def update_proxies():
871 global update_array
872 for item in update_array:
873 sql='''
874 update `proxier` set `time_checked`=unix_timestamp(),
875 `active`=%(active)01d,
876 `speed`=%(speed)02.3f
877 where `ip`='%(ip)01s' and `port`=%(port)01d
878 '''%{'active':item[2],'speed':item[3],'ip':item[0],'port':item[1]}
879 try:
880 conn.execute(sql)
881 except:
882 pass
883
884 #sqlite 不支持 unix_timestamp这个函数,所以我们要自己实现
885 def my_unix_timestamp():
886 return int(time.time())
887
888 def clean_string(s):
889 tmp=re.sub(r"['\,\s\\\/]", ' ', s)
890 return re.sub(r"\s+", ' ', tmp)
891
892 def formattime(t):
893 return time.strftime('%c',time.gmtime(t+8*3600))
894
895
896 def open_database():
897 global db,conn,day_keep,dbfile
898
899 try:
900 from pysqlite2 import dbapi2 as sqlite
901 except:
902 print """
903 本程序使用 sqlite 做数据库来保存数据，运行本程序需要 pysqlite的支持
904 python 访问 sqlite 需要到下面地址下载这个模块 pysqlite, 272kb
905 [url]http://initd.org/tracker/pysqlite/wiki/pysqlite#Downloads[/url]
906 下载(Windows binaries for Python 2.x)
907 """
908 raise SystemExit
909
910 try:
911 db = sqlite.connect(dbfile,isolation_level=None)
912 db.create_function("unix_timestamp", 0, my_unix_timestamp)
913 conn = db.cursor()
914 except:
915 print "操作sqlite数据库失败，请确保脚本所在目录具有写权限"
916 raise SystemExit
917
918 sql="""
919 /* ip: 只要纯ip地址(xxx.xxx.xxx.xxx)的代理 */
920 /* type: 代理类型 2:高匿 1:普匿 0:透明 -1: 未知 */
921 /* status: 这个字段本程序还没有用到，留在这里作以后扩展*/
922 /* active: 代理是否可用 1:可用 0:不可用 */
923 /* speed: 请求相应时间，speed越小说明速度越快 */
924
925 CREATE TABLE IF NOT EXISTS `proxier` (
926 `ip` varchar(15) NOT NULL default '',
927 `port` int(6) NOT NULL default '0',
928 `type` int(11) NOT NULL default '-1',
929 `status` int(11) default '0',
930 `active` int(11) default NULL,
931 `time_added` int(11) NOT NULL default '0',
932 `time_checked` int(11) default '0',
933 `time_used` int(11) default '0',
934 `speed` float default NULL,
935 `area` varchar(120) default '--', /* 代理服务器所在位置 */
936 PRIMARY KEY (`ip`)
937 );
938 /*
939 CREATE INDEX IF NOT EXISTS `type` ON proxier(`type`);
940 CREATE INDEX IF NOT EXISTS `time_used` ON proxier(`time_used`);
941 CREATE INDEX IF NOT EXISTS `speed` ON proxier(`speed`);
942 CREATE INDEX IF NOT EXISTS `active` ON proxier(`active`);
943 */
944 PRAGMA encoding = "utf-8"; /* 数据库用 utf-8编码保存 */
945 """
946 conn.executescript(sql)
947 conn.execute("""DELETE FROM `proxier`
948 where `time_added`< (unix_timestamp()-?)
949 and `active`=0""",(day_keep*86400,))
950
951 conn.execute("select count(`ip`) from `proxier`")
952 m1=conn.fetchone()[0]
953 if m1 is None:return
954
955 conn.execute("""select count(`time_checked`)
956 from `proxier` where `time_checked`>0""")
957 m2=conn.fetchone()[0]
958
959 if m2==0:
960 m3,m4,m5=0,"尚未检查","尚未检查"
961 else:
962 conn.execute("select count(`active`) from `proxier` where `active`=1")
963 m3=conn.fetchone()[0]
964 conn.execute("""select max(`time_checked`), min(`time_checked`)
965 from `proxier` where `time_checked`>0 limit 1""")
966 rs=conn.fetchone()
967 m4,m5=rs[0],rs[1]
968 m4=formattime(m4)
969 m5=formattime(m5)
970 print """
971 共%(m1)1d条代理，其中%(m2)1d个代理被验证过，%(m3)1d个代理验证有效。
972 最近一次检查时间是：%(m4)1s
973 最远一次检查时间是: %(m5)1s
974 提示：对于检查时间超过24小时的代理，应该重新检查其有效性
975 """%{'m1':m1,'m2':m2,'m3':m3,'m4':m4,'m5':m5}
976
977
978
979 def close_database():
980 global db,conn
981 conn.close()
982 db.close()
983 conn=None
984 db=None
985
986 if __name__ == '__main__':
987 open_database()
988 get_all_proxies()
989 patch_check_proxy(thread_num)
990 output_file()
991 close_database()
992 print "所有工作已经完成"
**** Hidden Message *****
页:
[1]