用正则爬去某代理IP网站的IP

清疚 2022-02-28 00:28 167阅读 0赞

在这里我们用Python来实现，话不多说直接上代码吧：

一开始我是使用的urllib模块来进行爬取，但问题还是有的，只能爬第一页，之后我了解到了requests库，真的好用啊

import requests
    import re
    def getWebText(url):
        try:
          r = requests.get(url)
          r.status_code #通过网页响应码来判断连接是否正常
          #print(r.status_code)
          r.encoding = r.status_code # 匹配网页编码格式
          return r.text
        except:
          print("响应失败")
          return 'Error'
    def getIpList(url):
        ip = []
        html = getWebText(url)
        """
        250-255 200-249 100-199 1-99
        """
        ip = re.findall("(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)",html)
        return ip
    def display(ipList):
        #print(type(ipList))
        for ip in ipList:
            str = ip[0]+'.'+ip[1]+'.'+ip[2]+'.'+ip[3]
            List1.append(str)
    def ipTxt(List1):
        with open("C:\\Users\\HP\\Desktop\\xiciip.txt", 'r+') as f:
            for i in List1:
                f.write(i+'\n')
    
    if __name__ == '__main__':
        page = 1
        url = "https://www.kuaidaili.com/free/inha/"
        List1 = []
        for i in range(30):
            Url = url+str(i+1)+"/"
            #print(Url)
            ipList = []
            ipList = getIpList(Url)
            display(ipList)
        ipTxt(List1)

爬去过程中出现的问题：

1.用re库的findall方法返回的数据是一个列表，但列表中的元素不是直接的字符串，而是一个元组：

('115', '150', '249', '216')这样很不方便使用和查看，所以我转换了一下（硬核转换，大牛勿喷）

等到代码跑完之后，就可以去自己的桌面的xici.txt里没有内容了