手把手教你使用Python爬取西刺代理数据（下篇）

1 前言

前几天小编发布了手把手教你使用Python爬取西次代理数据（上篇），木有赶上车的小伙伴，可以戳进去看看。今天小编带大家进行网页结构的分析以及网页数据的提取，具体步骤如下。

2 首页分析及提取

首先进入网站主页，如下图所示。

简单分析下页面，其中后面的 1 是页码的意思，分析后发现每一页有100 多条数据，然后网站底部总共有 2700+页 的链接，所以总共ip 代理加起来超过 27 万条数据，但是后面的数据大部分都是很多年前的数据了，比如 2012 年，大概就前 5000 多条是最近一个月的，所以决定爬取前面100 页。通 过网站 url 分析，可以知道这 100 页的 url 为:

规律显而易见，在程序中，我们使用一个 for 循环即可完整这个操作：

其中 scrapy 函数是爬取的主要逻辑，对应的代码为：

通过这个方式，我们可以得到每一页的数据。

3 网页元素分析及提取

接下来就是对页面内的元素进行分析，提取其中的代理信息。

如上图，我们目的是进行代理地域分布分析，同时，在爬取过程中需要使用爬取的数据进行代 理更新，所以需要以下几个字段的信息：

Ip 地址、端口、服务器位置、类型

为此，先构建一个类，用于保存这些信息：

这样，每爬取一条信息，只要实例化一个 ProxyBean 类即可，非常方便。

接下来就是提取元素过程了，在这个过程我使用了正则表达式和 BeautifulSoup 库进行关键数据提取。

首先，通过分析网页发现，所有的条目实际上都是放在一个<table>标签中。

该便签内容如下：

<table id="ip_list">……</table>

我们首先通过正则表达式将该标签的内容提取出来：

正则表达式为：<table id="ip_list">([\S\s]*)</table>， 表示搜索<table id="ip_list">到</table>之 间的任意字符组成的数据。Python 中的实现如下：

其中得到的 data 就是这个标签的内容了。下面进一步分析。

进入到 table 中，发现每一个代理分别站 table 的一列<tr>，但是这些<tr>标签分为两类，一 类包含属性 class="odd", 另一类不包含。

这个时候，可以使用 BeautifulSoup 对标签进行提取：

通过这种方式，就能获取到每一个列的列表了。

接下来就是从每个列中获取 ip、端口、位置、类型等信息了。进一步分析页面：

1、IP 字段：

我们使用正则表达式对 IP 进行解析，IP 正则如下：

** (2[0-5]{2}|[0-1]?\d{1,2})(.(2[0-5]{2}|[0-1]?\d{1,2})){3}**

2、 端口字段

端口由<td></td>包裹，并且中间全部是数字，故可构造如下正则进行提取：

<td>([0-9]+)</td>

3、 位置字段

位置字段如下：

由 <a></a> 便签包裹，构造如下正则即可提取：

<a href="([^>]*)>([^<]*)</a>

4、类型字段

类型字段如下：

由<td>包裹，中间为字母，构造正则如下：

<td>([A-Za-z]+)</td>

数据全部获取完之后，将其保存到文件中即可：

最后爬取的数据集如下图所示:

此次总共爬取了前面 5300 多条数据。

4 小结

本次任务主要爬取了代理网站上的代理数据。主要做了以下方面的工作：

1. 学习 requests 库的使用以及爬虫程序的编写；
2. 学习使用反爬虫技术手段，并在实际应用中应用这些技术，如代理池技术；
3. 学习使用正则表达式，并通过正则表达式进行网页元素提取；
4. 学习使用 beautifulsoup 库，并使用该库进行网页元素的提取。

想学习更多关于Python的知识，可以参考Python爬虫与数据挖掘网站：http://pdcfighting.com/