python爬虫：自动投票代码（自动爬取代理IP）

戴儒锋 2016 年 7 月 25 日12:05:54 1 25,193 views

摘要

此投票的爬虫代码中主要使用到requests、 bs4.BeautifulSoup、threading模块。代码主要分为二个功能：采集代理IP和投票。脚本每隔一段时间就会自动更新代理IP，然后再投票的时候，在这些IP中，随机挑选一个使用，如果这个IP不能使用时，则删除这个代理IP。

此投票的爬虫代码中主要使用到requests、 bs4.BeautifulSoup、threading模块

因为某件事，朋友们在网络上搞起投票行为，为了帮朋友们，特意用python写下了这个投票代码的爬虫

投票网站的某政府单位的网站，所以网站程序和代码大家应该懂的

网站投票没有对IP进行限制，也就是说，只要每刷新一次地址，就可以投票一次，但为了防止一个IP出现过多投票记录，所以在代码中，增加了代理IP的多个user-agent。

获取该网站的投票接口，用浏览器F12，就可以找到了

浏览器获取投票接口

代码如下：

#!/usr/bin/env python
# coding=utf-8
# 戴儒锋
# http://www.linuxyw.com
import re
import random
import sys
import time
import datetime
import threading
from random import choice
import requests
import bs4
def get_ip():
"""获取代理IP"""
url = "http://www.xicidaili.com/nn"
headers = { "Accept":"text/html,application/xhtml+xml,application/xml;",
"Accept-Encoding":"gzip, deflate, sdch",
"Accept-Language":"zh-CN,zh;q=0.8,en;q=0.6",
"Referer":"http://www.xicidaili.com",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.90 Safari/537.36"
}
r = requests.get(url,headers=headers)
soup = bs4.BeautifulSoup(r.text, 'html.parser')
data = soup.table.find_all("td")
ip_compile= re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>') # 匹配IP
port_compile = re.compile(r'<td>(\d+)</td>') # 匹配端口
ip = re.findall(ip_compile,str(data)) # 获取所有IP
port = re.findall(port_compile,str(data)) # 获取所有端口
return [":".join(i) for i in zip(ip,port)] # 组合IP+端口，如：115.112.88.23:8080
# 设置 user-agent列表，每次请求时，可在此列表中随机挑选一个user-agnet
uas = [
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:17.0; Baiduspider-ads) Gecko/17.0 Firefox/17.0",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9b4) Gecko/2008030317 Firefox/3.0b4",
"Mozilla/5.0 (Windows; U; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; BIDUBrowser 7.6)",
"Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko",
"Mozilla/5.0 (Windows NT 6.3; WOW64; rv:46.0) Gecko/20100101 Firefox/46.0",
"Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.99 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.3; Win64; x64; Trident/7.0; Touch; LCJB; rv:11.0) like Gecko",
]
def get_url(code=0,ips=[]):
"""
投票
如果因为代理IP不可用造成投票失败，则会自动换一个代理IP后继续投
"""
try:
ip = choice(ips)
except:
return False
else:
proxies = {
"http":ip,
}
headers2 = { "Accept":"text/html,application/xhtml+xml,application/xml;",
"Accept-Encoding":"gzip, deflate, sdch",
"Accept-Language":"zh-CN,zh;q=0.8,en;q=0.6",
"Referer":"",
"User-Agent":choice(uas),
}
try:
num = random.uniform(0,1)
hz_url = "http://www.xxxxx.com/xxxx%s" % num # 某投票网站的地址，这里不用真实的域名
hz_r = requests.get(hz_url,headers=headers2,proxies=proxies)
except requests.exceptions.ConnectionError:
print "ConnectionError"
if not ips:
print "not ip"
sys.exit()
# 删除不可用的代理IP
if ip in ips:
ips.remove(ip)
# 重新请求URL
get_url(code,ips)
else:
date = datetime.datetime.now().strftime('%H:%M:%S')
print u"第%s次 [%s] [%s]：投票%s (剩余可用代理IP数：%s)" % (code,date,ip,hz_r.text,len(ips))
ips = []
for i in xrange(6000):
# 每隔1000次重新获取一次最新的代理IP，每次可获取最新的100个代理IP
if i % 1000 == 0:
ips.extend(get_ip())
# 启用线程，隔1秒产生一个线程，可控制时间加快投票速度 ,time.sleep的最小单位是毫秒
t1 = threading.Thread(target=get_url,args=(i,ips))
t1.start()
time.sleep(1)