python获取代理IP

平时当我们需要爬取一些我们需要的数据时，总是有些网站禁止同一IP重复访问，这时候我们就应该使用代理IP，每次访问前伪装自己，让“敌人”无法察觉。
oooooooooooooooOK，让我们愉快的开始吧！
这个是获取代理ip的文件，我将它们模块化，分为三个函数
注：文中会有些英文注释，是为了写代码方便，毕竟英文一两个单词就ok了

#!/usr/bin/python
#-*- coding:utf-8 -*-

"""
author:dasuda
date:2017.08.24
转载请注明出处，谢谢

"""
import urllib2
import re
import socket
import threading

findIP = [] #获取的原始IP数据
IP_data = []  #拼接端口后的IP数据
IP_data_checked = [] #检查可用性后的IP数据
findPORT = [] #IP对应的端口
available_table = [] #可用IP的索引

def getIP(url_target):
patternIP = re.compile(r'(?<=<td>)[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}')
patternPORT = re.compile(r'(?<=<td>)[\d]{2,5}(?=</td>)')
print "now,start to refresh proxy IP..."
for page in range(1,4):
url = 'http://www.xicidaili.com/nn/'+str(page)
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64)"}
request = urllib2.Request(url=url, headers=headers)
response = urllib2.urlopen(request)
content = response.read()

findIP = re.findall(patternIP,str(content))
findPORT = re.findall(patternPORT,str(content))
#assemble the ip and port
for i in range(len(findIP)):
findIP[i] = findIP[i] + ":" + findPORT[i]
IP_data.extend(findIP)
print('get page', page)
print "refresh done!!!"

#use multithreading
mul_thread_check(url_target)
return IP_data_checked

def check_one(url_check,i):
#get lock
lock = threading.Lock()
#setting timeout
socket.setdefaulttimeout(8)
try:
ppp = {"http":IP_data[i]}
proxy_support = urllib2.ProxyHandler(ppp)
openercheck = urllib2.build_opener(proxy_support)
urllib2.install_opener(openercheck)
request = urllib2.Request(url_check)
request.add_header('User-Agent',"Mozilla/5.0 (Windows NT 10.0; WOW64)")
html = urllib2.urlopen(request).read()
lock.acquire()
print(IP_data[i],'is OK')
#get available ip index
available_table.append(i)
lock.release()
except Exception as e:
lock.acquire()
print('error')
lock.release()

def mul_thread_check(url_mul_check):
threads = []
for i in range(len(IP_data)):
#creat thread...
thread = threading.Thread(target=check_one, args=[url_mul_check,i,])
threads.append(thread)
thread.start()
print "new thread start",i

for thread in threads:
thread.join()

#get the IP_data_checked[]
for error_cnt in range(len(available_table)):
aseemble_ip = {'http': IP_data[available_table[error_cnt]]}
IP_data_checked.append(aseemble_ip)
print "available proxy ip:",len(available_table)

一、getIP(url_target):主要函数 传入参数是：验证代理IP可用性的网址，推荐ipchina
获取代理IP，从http://www.xicidaili.com/nn/网站获取，它是一个提供免费代理IP的网站，但是里面的IP不是全都能用，而且结合你的实际地理位置、网络情况、访问的目标服务器等情况，能用的大概不到20%，至少我的情况是这样。
访问http://www.xicidaili.com/nn/网站使用正常方式，返回的网页内容通过正则查询获得需要的IP和对应端口，代码如下：
patternIP = re.compile(r'(?<=<td>)[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}\.[\d]{1,3}')
patternPORT = re.compile(r'(?<=<td>)[\d]{2,5}(?=</td>)')
...
findIP = re.findall(patternIP,str(content))
findPORT = re.findall(patternPORT,str(content))
关于如何构造正则表达式，可以参考我的文章：
获取的IP保存在findIP中，对应的端口在findPORT中，两者按索引对应，获取一页IP正常数量为100.
接下来进行IP和端口拼接
最后进行可用性检查
二、check_one(url_check,i):线程函数
本次访问url_check还是使用正常方式访问，当访问网页有返回时，则说明本代理IP可用，则记录下当前索引值，用于后面将所有可用IP取出。
三、mul_thread_check(url_mul_check):多线程生成
本函数开启多线程检查代理IP可用性，每个IP开启一个线程进行检查。

本工程直接调用getIP(),并传入用于检查可用性的网址，即可返回一个列表，里面是经可用性检查的ip列表，格式为
['ip1:port1','ip2:port2',....]