因为工作的关系，我写过许多个抓取网站信息的程序。

最简单的，只要用Python的urllib2.urlopen()函数就可以了；

然后，有个网站喜欢封人，所以，得找一批代理，轮流抓它的信息；

有的网站不允许程序抓取，所以，就得加入一些头信息；

有的网站需要登录，这时就要用到Cookies；

最后，为了提高效率，最好是使用多线程。（PS，有个地方要注意，urlopen这个函数，设定了一个全局对象opener，所以如果你使用了多个线程， 每个线程使用一个代理，那么，不能使用urlopen这个函数，而应该使用opener.open)

下面是我用Python写的一个抓代理的脚本，虽然现在已经不在教育网内部了，不过有时候还是需要用一下代理的:)

# -*- coding: cp936 -*-

import urllib2,re,thread,time

import socket

socket.setdefaulttimeout(10)

   

#-----------------------定义抓取代理的函数-------------------------------#

def getcnproxy(name):

    pagenum=0

    result=[]

    getallpages=0

    trycount=0

    while getallpages==0 and trycount<=6:

        pagenum=pagenum+1

        url='http://www.proxycn.com/html_proxy/http-'+str(pagenum)+'.html'

        try:

            html=urllib2.urlopen(url)

            ip=''

            for line in html:

                if '''onDblClick="clip''' in line:

                    proxy=line[line.find("clip('")+6:line.find("')")]

                    lock.acquire()

                    print name,proxy

                    lock.release()

                    result.append(proxy)

                if '下一页|尾页' in line:

                    getallpages=1

        except:

            trycount=trycount+1

            pagenum=pagenum-1

    proxylist[0]=result

    return result

def getproxycn(name):

    pagenum=0

    result=[]

    getallpages=0

    trycount=0

    while pagenum<=9 and trycount<=2:

        pagenum=pagenum+1

        url='http://www.cnproxy.com/proxy'+str(pagenum)+'.html'

        try:

            html=urllib2.urlopen(url)

            for line in html:

                if "HTTP" in line:

                    proxy=line[line.find('<td>')+4:line.find('&#820')]+line[line.find(':'):line.find('</td><td>')]

                    lock.acquire()

                    print name,proxy

                    lock.release()

                    result.append(proxy)

        except:

            trycount=trycount+1

            pagenum=pagenum-1

    proxylist[1]=result

    return result

   

#------------------------- --------------- 结束代理抓取函数定义 --------------------------------------------------#

#------------------------------------------ 验证代理的函数定义 ---------------------------------------------------#

def proxycheckone(proxy):

    url='http://www.facebook.com'

    proxy_url = 'http://'+proxy

    proxy_support = urllib2.ProxyHandler({'http': proxy_url})

    opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)

    r=urllib2.Request(url)

    r.add_header("Accept-Language","zh-cn")    #加入头信息，这样可以避免403错误

    r.add_header("Content-Type","text/html; charset=gb2312")

    r.add_header("User-Agent","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; .NET CLR 1.1.4322)")

    trycount=1

    while trycount<=2:

        try:

            T0=time.time()

            f=opener.open(r)

            data=f.read()

            if 'Welcome to Facebook!' in data:

                T=time.time()-T0              

                break

            else:return []

        except:

            time.sleep(3)

            trycount=trycount+1

    if trycount>2:

        return []

    else:

        return proxy+'$'+str(trycount)+'#'+str(T)

def proxycheck(idnum):

    while 1:

        r.acquire()

        try:

            i=proxylist[0]

            del proxylist[0]

            r.release()

        except:

            r.release()

            x[idnum]=1

            break

        b=proxycheckone(i)

        if len(b)>0:

            a.acquire()

            y.append(b)

            a.release()

#---------------------------------------- 验证代理的函数定义结束 -------------------------------------------------#

#----------------------------- 抓取代理,抓取到的代理放在proxies.txt中，以\n分隔 --------------------------------#

#x='''

lock=thread.allocate_lock()

proxylist=[[],[]]

thread.start_new(getcnproxy,('cnproxy',))

thread.start_new(getproxycn,('proxycn',))

while [] in proxylist:

    time.sleep(30)

proxylist=proxylist[0]+proxylist[1]

w=open('proxies.txt','a')

w.write('\n'.join(proxylist))

w.close()

del proxylist

print 'get all proxies!\n\n'

#'''

#----------------------------- 抓取代理完毕,抓取到的代理放在proxies.txt中，以\n分隔 -------------------------------#

#--------------------------------------------------- 验证代理 -----------------------------------------------------#

w=open('proxies.txt')

proxylist=list(set((re.sub(r'(\t+[^\n]*\n|\n)',',',w.read())).split(',')))

while '' in proxylist:

    del proxylist[proxylist.index('')]

w.close()

lock=thread.allocate_lock()

r=thread.allocate_lock()

a=thread.allocate_lock()

y=[]

x=[0]*120

for idnum in range(0,120):

    thread.start_new(proxycheck,(idnum,))

while 0 in x:

    print len(proxylist),sum(x),"left",len(y)

    time.sleep(10)

w=open('proxies.txt','w')

w.write(re.sub('^\n','',re.sub(r'\n+','\n','\n'.join(y)+'\n')))

w.close()

#-------------------------------------------------- 验证代理完毕 --------------------------------------------------#

来自：http://my.oschina.net/netmouse/blog/477642