Python通過代理多執行緒抓取圖片

膽小的皮皮發表於2019-02-13

前言
Python作為一門功能強大的指令碼語言，經常被用來寫爬蟲程式，下面是Python通過代理多執行緒抓取圖片程式碼

Python爬蟲多執行緒抓取代理伺服器參考： http://www.linuxeye.com/program/1763.html
說明：

多執行緒方式抓取代理伺服器，並多執行緒驗證代理伺服器

ps 代理伺服器是從http://www.cnproxy.com/ （測試只選擇了8個頁面）抓取

抓取一個網站的圖片地址，多執行緒隨機取一個代理伺服器下載圖片

ps 圖片網站地址:http://www.ivsky.com（測試只選擇了有限的頁面數）

#!/usr/bin/env python
#BLOG:blog.linuxeye.com
#coding:utf-8

import urllib2
import re
import threading
import time
import random

rawProxyList = []
checkedProxyList = []
imgurl_list = []

#抓取代理網站
portdicts ={`v`:"3",`m`:"4",`a`:"2",`l`:"9",`q`:"0",`b`:"5",`i`:"7",`w`:"6",`r`:"8",`c`:"1"}
targets = []
for i in xrange(1,9):
        target = r"http://www.cnproxy.com/proxy%d.html" % i
        targets.append(target)
#print targets

#抓取代理伺服器正則
p = re.compile(r```<tr><td>(.+?)<SCRIPT type=text/javascript>document.write(":"+(.+?))</SCRIPT></td><td>(.+?)</td><td>.+?</td><td>(.+?)</td></tr>```)

#獲取代理的類
class ProxyGet(threading.Thread):
    def __init__(self,target):
        threading.Thread.__init__(self)
        self.target = target

    def getProxy(self):
        print "代理伺服器目標網站： " + self.target
        req = urllib2.urlopen(self.target)
        result = req.read()
        #print chardet.detect(result)
        matchs = p.findall(result)
        for row in matchs:
            ip=row[0]
            port =row[1]
            port = map(lambda x:portdicts[x],port.split(`+`))
            port = ``.join(port)
            agent = row[2]
            addr = row[3].decode("cp936").encode("utf-8")
            proxy = [ip,port,addr]
            #print proxy
            rawProxyList.append(proxy)

    def run(self):
        self.getProxy()

#檢驗代理的類
class ProxyCheck(threading.Thread):
    def __init__(self,proxyList):
        threading.Thread.__init__(self)
        self.proxyList = proxyList
        self.timeout = 5
        self.testUrl = "http://www.baidu.com/"
        self.testStr = "030173"

    def checkProxy(self):
        cookies = urllib2.HTTPCookieProcessor()
        for proxy in self.proxyList:
            proxyHandler = urllib2.ProxyHandler({"http" : r`http://%s:%s` %(proxy[0],proxy[1])})
            #print r`http://%s:%s` %(proxy[0],proxy[1])
            opener = urllib2.build_opener(cookies,proxyHandler)
            opener.addheaders = [(`User-agent`, `Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0`)] 
            #urllib2.install_opener(opener)
            t1 = time.time()

            try:
                #req = urllib2.urlopen("http://www.baidu.com", timeout=self.timeout)
                req = opener.open(self.testUrl, timeout=self.timeout)
                #print "urlopen is ok...."
                result = req.read()
                #print "read html...."
                timeused = time.time() - t1
                pos = result.find(self.testStr)
                #print "pos is %s" %pos

                if pos > 1:
                    checkedProxyList.append((proxy[0],proxy[1],proxy[2],timeused))
                    #print "ok ip: %s %s %s %s" %(proxy[0],proxy[1],proxy[2],timeused)
                else:
                     continue
            except Exception,e:
                #print e.message
                continue

    def run(self):
        self.checkProxy()

#獲取圖片地址函式
def imgurlList(url_home):
    global imgurl_list
    home_page = urllib2.urlopen(url_home)
    url_re = re.compile(r`<li><a href="(.+?)" target="_blank" rel="nofollow">`)
    pic_re = re.compile(r`<img src="(.*?.w{3,4})"`)
    url_list = re.findall(url_re,home_page.read())
    for url in url_list:
        #print url_home+url
        url_page = urllib2.urlopen(url_home+url)
        for imgurlList in re.findall(pic_re,url_page.read()):
            imgurl_list.append(imgurlList)

#下載圖片的類
class getPic(threading.Thread):
    def __init__(self,imgurl_list):
        threading.Thread.__init__(self)
        self.imgurl_list = imgurl_list 
        self.timeout = 5
    def downloadimg(self):
        for imgurl in self.imgurl_list:
            pic_suffix = imgurl.split(`.`)[-1] #獲取圖片字尾
            pic_name = str(random.randint(0,10000000000))+`.`+pic_suffix
            cookies = urllib2.HTTPCookieProcessor()
            randomCheckedProxy = random.choice(checkedProxyList) #隨機取一組代理伺服器
            proxyHandler = urllib2.ProxyHandler({"http" : r`http://%s:%s` %(randomCheckedProxy[0],randomCheckedProxy[1])})
            opener = urllib2.build_opener(cookies,proxyHandler)
            opener.addheaders = [(`User-agent`, `Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0`)]
            urllib2.install_opener(opener)
            try:
                data_img = opener.open(imgurl,timeout=self.timeout)
                f = open (pic_name,`wb`)
                f.write(data_img.read())
                f.close()
            except:
                continue
    def run(self):
        self.downloadimg()

if __name__ == "__main__":
    getThreads = []
    checkThreads = []
    imgurlList(`http://www.ivsky.com`)
    getPicThreads = []

#對每個目標網站開啟一個執行緒負責抓取代理
for i in range(len(targets)):
    t = ProxyGet(targets[i])
    getThreads.append(t)

for i in range(len(getThreads)):
    getThreads[i].start()

for i in range(len(getThreads)):
    getThreads[i].join()

print `.`*10+"總共抓取了%s個代理" %len(rawProxyList) +`.`*10

#開啟20個執行緒負責校驗，將抓取到的代理分成20份，每個執行緒校驗一份
for i in range(20):
    t = ProxyCheck(rawProxyList[((len(rawProxyList)+19)/20) * i:((len(rawProxyList)+19)/20) * (i+1)])
    checkThreads.append(t)

for i in range(len(checkThreads)):
    checkThreads[i].start()

for i in range(len(checkThreads)):
    checkThreads[i].join()

print `.`*10+"總共有%s個代理通過校驗" %len(checkedProxyList) +`.`*10

#開啟20個執行緒隨機取一個代理下載圖片
for i in range(20):
    t = getPic(imgurl_list[((len(imgurl_list)+19)/20) * i:((len(imgurl_list)+19)/20) * (i+1)])
    getPicThreads.append(t)

for i in range(len(getPicThreads)):
    getPicThreads[i].start()

for i in range(len(getPicThreads)):
    getPicThreads[i].join()

print `.`*10+"總共有%s個圖片下載" %len(imgurl_list) +`.`*10

#代理排序持久化
f= open("proxy_list.txt",`w+`)
for proxy in sorted(checkedProxyList,cmp=lambda x,y:cmp(x[3],y[3])):
    #print "checked proxy is: %s:%s	%s	%s" %(proxy[0],proxy[1],proxy[2],proxy[3])
    f.write("%s:%s	%s	%s
"%(proxy[0],proxy[1],proxy[2],proxy[3]))
f.close()

小編推薦一個學python的學習qun 491308659 驗證碼：南燭

無論你是大牛還是小白，是想轉行還是想入行都可以來了解一起進步一起學習！裙內有開發工具，很多幹貨和技術資料分享！

測試結果：

# ls
proxy_getpic.py
# python proxy_getpic.py
代理伺服器目標網站： http://www.cnproxy.com/proxy1.html
代理伺服器目標網站： http://www.cnproxy.com/proxy2.html
代理伺服器目標網站： http://www.cnproxy.com/proxy3.html
代理伺服器目標網站： http://www.cnproxy.com/proxy4.html
代理伺服器目標網站： http://www.cnproxy.com/proxy5.html
代理伺服器目標網站： http://www.cnproxy.com/proxy6.html
代理伺服器目標網站： http://www.cnproxy.com/proxy7.html
代理伺服器目標網站： http://www.cnproxy.com/proxy8.html
..........總共抓取了800個代理..........
..........總共有458個代理通過校驗..........
..........總共有154個圖片下載..........
# cat proxy_list.txt | more
173.213.113.111:3128    United States   0.432188987732
173.213.113.111:8089    United States   0.441318035126
173.213.113.111:7808    United States   0.444597005844
110.4.24.170:80 香港 香港移動通訊有限公司       0.489440202713
211.142.236.135:8080    湖南省株洲市 移動       0.490673780441
211.142.236.135:8081    湖南省株洲市 移動       0.518096923828
211.142.236.135:8000    湖南省株洲市 移動       0.51860499382
211.142.236.135:8082    湖南省株洲市 移動       0.520448207855
# ls
1001117689.jpg  3097883176.jpg  5234319709.jpg  7012274766.jpg  8504924248.jpg
1076458640.jpg  3144369522.jpg  5387877704.jpg  7106183143.jpg  867723868.jpg
1198548712.jpg  3161307031.jpg  5572092752.jpg  7361254661.jpg  8746315373.jpg
165738192.jpg   3228008315.jpg  5575388077.jpg  7389537793.jpg  8848973192.jpg
1704512138.jpg  3306931164.jpg  5610740708.jpg  7407358698.jpg  8973834958.jpg
1742167711.jpg  3320152673.jpg  5717429022.jpg  7561176207.jpg  8976862152.jpg

多執行緒圖片
2019-05-11
執行緒
python多工抓取圖片
2018-09-16
Python
Java多執行緒-執行緒通訊
2019-09-03
Java執行緒
通過網路圖片小爬蟲對比Python中單執行緒與多線（進）程的效率
2016-09-28
爬蟲Python執行緒
Python多執行緒抓取Google搜尋連結網頁
2013-04-10
Python執行緒Go網頁
Java多執行緒學習——執行緒通訊
2019-01-19
Java執行緒
python兩個子執行緒通過queue通訊
2017-12-21
Python執行緒
python多執行緒
2017-12-26
Python執行緒
Python 多執行緒
2016-05-24
Python執行緒
java多執行緒5：執行緒間的通訊
2021-12-14
Java執行緒
多執行緒之間通訊及執行緒池
2021-12-15
執行緒
Java多執行緒學習（3）執行緒同步與執行緒通訊
2018-10-15
Java執行緒
多執行緒-執行緒生命週期圖解
2017-06-02
執行緒圖解
Python 多執行緒多程式
2021-03-26
Python執行緒
java 基礎之圖片的多執行緒處理和大檔案的多執行緒拷貝
2017-12-29
Java執行緒
多執行緒分析圖集
2018-02-27
執行緒
圖解Java多執行緒
2017-10-27
圖解Java執行緒
python多執行緒示例
2016-07-07
Python執行緒
python多執行緒中：如何關閉執行緒？
2024-03-13
Python執行緒
Python——程式、執行緒、協程、多程式、多執行緒（個人向）
2020-10-22
Python執行緒
Swift多執行緒之Operation：非同步載入CollectionView圖片
2019-01-29
Swift執行緒非同步View
Swift多執行緒：使用Thread進行多執行緒間通訊，協調子執行緒任務
2019-02-27
Swift執行緒thread
【Python】多程式與多執行緒
2018-01-19
Python執行緒
python多執行緒程式設計1— python對多執行緒的支援
2013-04-02
Python執行緒程式設計
多執行緒Demo學習（執行緒的同步，簡單的執行緒通訊）
2020-12-20
執行緒
python批量抓取美女圖片
2013-01-20
Python
通過Python指令碼理解系統執行緒薦
2012-12-07
Python指令碼執行緒
java多執行緒系列：通過對戰遊戲學習CyclicBarrier
2018-08-31
Java執行緒遊戲
多執行緒之間的通訊
2019-02-11
執行緒
java多執行緒間的通訊
2018-12-21
Java執行緒
Arcpy多執行緒熱力圖
2018-10-22
執行緒
01-多執行緒圖解
2018-01-25
執行緒圖解
多執行緒【執行緒池】
2021-02-20
執行緒
多執行緒--執行緒管理
2018-07-31
執行緒
Java多執行緒——執行緒
2017-03-16
Java執行緒
python3 多執行緒
2019-10-18
Python執行緒
04.python-多執行緒
2019-06-04
Python執行緒
python有多執行緒嗎
2021-09-11
Python執行緒

Python通過代理多執行緒抓取圖片

相關文章