新年新气象！爬取一个代理服务器列表

下面是脚本之家 jb51.cc 通过网络收集整理的代码片段。

脚本之家小编现在分享给大家，也给大家做个参考。

#!/usr/bin/python3
import os
import os.path
import urllib.request
import chardet
import time
import re
from multiprocessing.dummy import Pool as ThreadPool

def url_content_read(url):
	res = urllib.request.urlopen(url).read()
	return res
   
def url_socket_list_pharse(socket_raw_info_data):
	p = re.compile(r'<td>(d+.d+.d+.d+)</td><td>(d+)</td>')
	socket_info_list = p.findall(socket_raw_info_data)
	socket_pharsed_info_list = []
	for s_info in socket_info_list:
		socket_pharsed_info_list.append("%s:%s"%(s_info[0],s_info[1]))
	return socket_pharsed_info_list

if __name__ == "__main__":
	urls = []
	for i in range(1,42):
		urls.append("http://www.proxy.com.ru/list_%d.html"%(i))
	start_time = time.time()
	_pool = ThreadPool(4)
	results = _pool.map(url_content_read,urls)
	_pool.close()
	_pool.join()
	print("time spent: %f"%(time.time() - start_time))
	p = re.compile(r'http://[w|d|-|.]+[:d+]*[/|w|d|.|%|@|&|*|+|#|?|=|-]+')
	#对获取的结果网页进行字符串的编码解码
	socket_info_raw_data_list = []
	for res in results:
		det_res = chardet.detect(res)
		#print(det_res)
		if det_res['encoding'] == 'utf-8':
			socket_info_raw_data_list.append(res.decode('utf-8','ignore'))
		elif det_res['encoding'] == 'GB2312':
			socket_info_raw_data_list.append(res.decode('GB2312','ignore'))
		else:
			socket_info_raw_data_list.append(res.decode('gbk','ignore'))
	#对结果进行进一步的解析
	start_time = time.time()
	_pool = ThreadPool(40)
	results = _pool.map(url_socket_list_pharse,socket_info_raw_data_list)
	_pool.close()
	_pool.join()
	print("time spent: %f"%(time.time() - start_time))
	#最后对结果进行输出
	fp = open(r'/home/mobilefzb/socket_list.txt','w')
	for res in results:
		for si_res in res:
			fp.write("%sn"%(si_res))
	fp.close()
			

以上是脚本之家(jb51.cc)为你收集整理的全部代码内容，希望文章能够帮你解决所遇到的程序开发问题。

如果觉得脚本之家网站内容还不错，欢迎将脚本之家网站推荐给程序员好友。

（编辑：安卓应用网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!