C#教程

关注公众号 jb51net

关闭
首页 > 软件编程 > C#教程 > c#批量抓取免费代理并验证有效性

c#批量抓取免费代理并且验证有效性的实战教程

作者:张林-布莱恩特

突破反爬虫限制的方法之一就是多用几个代理IP,下面这篇文章主要给大家介绍了关于利用c#批量抓取免费代理并且验证有效性的相关资料,文中通过示例代码介绍的非常详细,需要的朋友可以参考下

前言

之前看到某公司的官网的文章的浏览量刷新一次网页就会增加一次,给人的感觉不太好,一个公司的官网给人如此直白的漏洞,我批量发起请求的时候发现页面打开都报错,100多人的公司的官网文章刷新一次你给我看这个,这公司以前来过我们学校宣传招人+在园子里搜招聘的时候发现居然以前招xamarin,挺好奇的,所以就关注过。好吧不说这些了,只是扯扯蛋而已,回归主题,我想说的是csdn的文章可以通过设置代理ip刷新文章的浏览量,所以首先要做的就是这篇文章的主题“使用c#验证代理ip有效性”。

当然代理IP来源肯定是免费,所以嘛效率一般,从一些免费的代理ip的网页抓取的代理IP并不一定都是有用的,所以需要我们对我们抓取的代理ip进行验证,代理ip的有效时间也是有限,从10几秒到1个小时不限,大多数时间非常短,所以比如说,我们1分钟需要100个代理ip,那就1分钟获取一次,每次获取100个(这里是理想状态下的,抓取的代理ip都是有效的),原则上来说抓取下来后应该立即马上被使用。

当然这篇文章比较基础,一直觉得爬虫比较有趣,其实我在爬虫方面也是个小白,只是做一个简单的记录,如果有什么错误的地方,希望能提出建议。针对下面几个问题,我们就可以完成如何验证代理IP有效性的检测了。

1.从哪些网页上可以抓取免费的代理IP?

http://www.xicidaili.com

http://www.ip3366.net

http://www.66ip.cn

百度一下“免费代理ip”挺多的。

2.代理IP稳定吗?有什么作用?

这种免费的代理ip时效性和有效性都不强,上面这三个免费的代理网站,时效性大概在十几秒到1个小时不等,一般需要自己处理验证后使用,提高命中率。可适用于隐藏网页IP(有些网站还不准使用代理ip,比如豆瓣,其实挺尴尬的,内容这么贵吗),一般常用于空间留言、刷网站流量、网赚任务、批量注册账号等,只要没有其他限制,需要频繁更换ip都可以使用。

3.ping通IP就是有效的吗?如何验证代理是否有效

好吧,这有点废话,进行端口测试才是最有效的,能ping通并不代表代理有效,不能平通也不一定代理不可用。可以使用HttpWebRequest,也可以使用Scoket,当然HttpWebRequest比Socket连接代理ip、port要慢。

4.一次提取多少代理合适?

代理ip时效性不强、并且有效性也不高,所以只能从一些代理ip的网站上批量定时去获取,有的代理在一分钟内使用是有限制的,所以说限制比较多。

5.http代理和https代理有什么区别?

需要访问https的网站就需要使用https代理了,比如百度,需要访问http的代理,可以使用http。这个并不是100%的。

检测代理ip有效性步骤如下:

1.使用HttpWebRequest、HttpWebResponse请求代理ip的网页,获取包含代理的网页内容

2.使用HtmlAgilityPack或者正则表达式对抓取的内容进行截取,保存到代理集合

3.拿到代理集合,多线程发起http请求,比如访问百度,是否成功,成功则存到Redis里面。

效果图如下:

使用HttpWebRequest发起请求

Request.cs如下,主要就是两个方法,一个方法是验证代理ip是否有效,设置HttpWebRequest的Proxy属性,请求百度,看到有些文章大多数会获取响应的内容,如果内容符合请求的网址则证明代理哟有效,实际上根据HttpStatusCode 200就可以判断是否验证有效。

【注意】建的是控制台程序,使用了异步,所以还是建.net core吧,c#语言的版本7.1。C#如何在控制台程序中使用异步

public class Request
 {
 /// <summary>
 /// 验证代理ip有效性
 /// </summary>
 /// <param name="proxyIp">代理IP</param>
 /// <param name="proxyPort">代理IP 端口</param>
 /// <param name="timeout">详情超时</param>
 /// <param name="url">请求的地址</param>
 /// <param name="success">成功的回调</param>
 /// <param name="fail">失败的回调</param>
 /// <returns></returns>
 public static async System.Threading.Tasks.Task getAsync(string proxyIp,int proxyPort, int timeout,string url, Action success, Action<string> fail)
 {
  System.GC.Collect();
  HttpWebRequest request = null;
  HttpWebResponse response = null;
  try
  {
  request = (HttpWebRequest)WebRequest.Create(url);
  //HttpWebRequest request = HttpWebRequest.CreateHttp(url);
  request.Timeout =timeout;
  request.KeepAlive = false;
  request.Proxy = new WebProxy(proxyIp,proxyPort);
  response = await request.GetResponseAsync() as HttpWebResponse;
  if (response.StatusCode == HttpStatusCode.OK)
  {
   success();
  }
  else
  {
   fail(response.StatusCode+":"+response.StatusDescription);
  }
  }
  catch (Exception ex)
  {
  fail("请求异常"+ex.Message.ToString());
  }
  finally
  {
  if (request != null)
  {
   request.Abort();
   request = null;
  }
  if (response != null)
  {
   response.Close();
  }
  }
 }

 /// <summary>
 /// 发起http请求
 /// </summary>
 /// <param name="url"></param>
 /// <param name="success">成功的回调</param>
 /// <param name="fail">失败的回调</param>
 public static void get(string url,Action<string> success,Action<string> fail)
 {
  StreamReader reader = null;
  Stream stream = null;
  WebRequest request = null;
  HttpWebResponse response = null;
  try
  {
  request = WebRequest.Create(url);
  request.Timeout = 2000;
  response = (HttpWebResponse)request.GetResponse();
  if (response.StatusCode == HttpStatusCode.OK)
  {
   stream = response.GetResponseStream();
   reader = new StreamReader(stream);
   string result = reader.ReadToEnd();
   success(result);
  }
  else
  {
   fail(response.StatusCode+":"+response.StatusDescription);
  }
  }
  catch (Exception ex)
  {
  fail(ex.ToString());
  }
  finally
  {
  if (reader != null)
   reader.Close();
  if (stream != null)
   stream.Close();
  if(response!=null)
   response.Close();
  if(request!=null)
   request.Abort();
  }
 }
 }

抓取免费代理,并检查是否有效

ProxyIpHelper.cs 中主要有四个方法,检查ip是否可用CheckProxyIpAsync、抓取xicidaili.com的代理GetXicidailiProxy、抓取ip3366.net的代理GetIp3366Proxy、抓取66ip.cn的代理GetIp3366Proxy。如果想多抓取几个网站可以多写几个。

public class ProxyIpHelper
 {
  private static string address_xicidaili = "http://www.xicidaili.com/wn/{0}";
  private static string address_66ip = "http://www.66ip.cn/nmtq.php?getnum=20&isp=0&anonymoustype=0&start=&ports=&export=&ipaddress=&area=1&proxytype=1&api=66ip";
  private static string address_ip3366 = "http://www.ip3366.net/?stype=1&page={0}";
  /// <summary>
  /// 检查代理IP是否可用
  /// </summary>
  /// <param name="ipAddress">ip</param>
  /// <param name="success">成功的回调</param>
  /// <param name="fail">失败的回调</param>
  /// <returns></returns>
  public static async Task CheckProxyIpAsync(string ipAddress, Action success, Action<string> fail)
  {
   int index = ipAddress.IndexOf(":");
   string proxyIp = ipAddress.Substring(0, index);
   int proxyPort = int.Parse(ipAddress.Substring(index + 1));
   await Request.getAsync(proxyIp, proxyPort, 3000, "https://www.baidu.com/", () =>
   {
    success();
   }, (error) =>
   {
    fail(error);
   });
  }
  /// <summary>
  /// 从xicidaili.com网页上去获取代理IP,可以分页
  /// </summary>
  /// <param name="page"></param>
  /// <returns></returns>
  public static List<string> GetXicidailiProxy(int page)
  {
   List<string> list = new List<string>();
   for (int p = 1; p <= page; p++)
   {
    string url = string.Format(address_xicidaili, p);
    Request.get(url,(docText)=> {
     if (!string.IsNullOrWhiteSpace(docText))
     {
      HtmlDocument doc = new HtmlDocument();
      doc.LoadHtml(docText);
      var trNodes = doc.DocumentNode.SelectNodes("//table[@id='ip_list']")[0].SelectNodes("./tr");
      if (trNodes != null && trNodes.Count > 0)
      {
       for (int i = 1; i < trNodes.Count; i++)
       {
        var tds = trNodes[i].SelectNodes("./td");
        string ipAddress = tds[1].InnerText + ":" + int.Parse(tds[2].InnerText); ;
        list.Add(ipAddress);
       }
      }
     }
    },(error)=> {
     Console.WriteLine(error);
    });
   }
   return list; 
   }
  /// <summary>
  /// 从ip3366.net网页上去获取代理IP,可以分页
  /// </summary>
  /// <param name="page"></param>
  /// <returns></returns>
  public static List<string> GetIp3366Proxy(int page)
  {
   List<string> list = new List<string>();
   for (int p = 1; p <= page; p++)
   {
    string url = string.Format(address_ip3366, p);
    Request.get(url, (docText) => {
     if (!string.IsNullOrWhiteSpace(docText))
     {
      HtmlDocument doc = new HtmlDocument();
      doc.LoadHtml(docText);
      var trNodes1 = doc.DocumentNode.SelectNodes("//table")[0];
      var trNodes2 = doc.DocumentNode.SelectNodes("//table")[0].SelectSingleNode("//tbody");
      var trNodes = doc.DocumentNode.SelectNodes("//table")[0].SelectSingleNode("//tbody").SelectNodes("./tr");
      if (trNodes != null && trNodes.Count > 0)
      {
       for (int i = 1; i < trNodes.Count; i++)
       {
        var tds = trNodes[i].SelectNodes("./td");
        if (tds[3].InnerHtml == "HTTPS")
        {
         string ipAddress = tds[0].InnerText + ":" + int.Parse(tds[1].InnerText); ;
         list.Add(ipAddress);
        }
       }
      }
     }
    }, (error) => {
     Console.WriteLine(error);
    });
   }
   return list;
   }
  /// <summary>
  /// 从66ip.cn中去获取,不需要分页
  /// </summary>
  /// <returns></returns>
  public static List<string> Get66ipProxy()
  {
   List<string> list = new List<string>();
   Request.get(address_66ip,
   (docText)=> {
    int count = 0;
    if (string.IsNullOrWhiteSpace(docText) == false)
    {
     string regex = "\\d{1,3}\\.\\d{1,3}\\.\\d{1,3}\\.\\d{1,3}\\:\\d{1,5}";
     Match mstr = Regex.Match(docText, regex);
     while (mstr.Success && count < 20)
     {
      string tempIp = mstr.Groups[0].Value;
      list.Add(tempIp);
      mstr = mstr.NextMatch();
      count++;
     }
    }
   },
   (error)=> {
    Console.WriteLine(error);
   });
   return list;
  }
 }

使用Timer定时抓取,并检查,成功则保存到redis

c#有三种定时器,这里定时器是使用System.Threading命名空间, 这个Timer会开启新的线程,抓取三个网页定义了三个Timer对象。每一次抓取都会保存上一次抓取的集合,检查前,会进行对比,取出新的集合也就是没有重复的那部分。有效性的ip比较低,这里没有做统计,如果代码再优化一下,可以做一下统计,看看程序的主入口吧,最终的实现如下:

class Program
 {
  static bool timer_ip3366_isCompleted = true;
  static bool timer_xicidaili_isCompleted = true;
  static bool timer_66ip_isCompleted = true;
  static Timer timer_ip3366, timer_xicidaili, timer_66ip;
  private static List<string> lastListip3366,lastList66ip,lastListxicidaili;//保存上一次抓取的代理,与下一次进行对比,取新的集合进行检查筛选
  static async Task Main(string[] args)
  {
   System.Net.ServicePointManager.DefaultConnectionLimit = 2000;
   Console.WriteLine("hellow proxyIp");
   Console.ReadLine();
   lastList66ip = new List<string>();
   lastListip3366 = new List<string>();
   lastListxicidaili = new List<string>();
   timer_ip3366 = new Timer(async (state) =>
   {
    await TimerIp3366Async();
   }, "processing timer_ip3366 event", 0,1000*30);
   timer_xicidaili = new Timer(async (state) =>
   {
    await TimerXicidailiAsync();
   }, "processing timer_xicidaili event", 0, 1000 * 60);
   timer_66ip = new Timer(async (state) =>
   {
    await Timer66ipAsync();
   }, "processing timer_66ip event", 0, 1000*30);
   
   Console.ReadLine();
  }



  private static async Task Timer66ipAsync()
  {
   if (timer_66ip_isCompleted)
   {
    timer_66ip_isCompleted = false;
    List<string> checkList = new List<string>();
    var listProxyIp = ProxyIpHelper.Get66ipProxy();

    if (listProxyIp.Count > 0)
    {
     Console.ForegroundColor = ConsoleColor.DarkCyan;
     Console.WriteLine("66ip.cn 抓取到" + listProxyIp.Count + "条记录,正在对比.........");
     listProxyIp.ForEach(f =>
     {
      if (!lastList66ip.Contains(f))
      {
       checkList.Add(f);
      }
     });
     lastList66ip = listProxyIp;
     if (checkList.Count > 0)
     {
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("66ip.cn 需要检查" + checkList.Count + "条记录,正在进行检测是否有效..........");
      for (int i = 0; i < checkList.Count; i++)
      {
       string ipAddress = checkList[i];
       await ProxyIpHelper.CheckProxyIpAsync(ipAddress, () =>
       {
        bool insertSuccess = RedisHelper.InsertSet(ipAddress);
        Console.ForegroundColor = ConsoleColor.White;
        Console.WriteLine("66ip.cn");
        if (insertSuccess)
        {
         Console.WriteLine("success" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
        }
        Console.WriteLine("重复插入" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
       }, (error) =>
       {
        Console.ForegroundColor = ConsoleColor.Green;
        Console.WriteLine("66ip.cn");
        Console.WriteLine("error:" + ipAddress + error + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
       });
      }
      timer_66ip_isCompleted = true;
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("66ip.cn" + checkList.Count + "条记录,已经检测完成,正在进行下一次检查");
     }
     else
     {
      timer_66ip_isCompleted = true;
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("66ip.cn没有需要检查的代理ip");
     }
    }
    else
    {
     timer_66ip_isCompleted = true;
     Console.ForegroundColor = ConsoleColor.DarkCyan;
     Console.WriteLine("66ip.cn没有获取到代理ip");
    }
   }
  }

  private static async Task TimerXicidailiAsync()
  {
   if (timer_xicidaili_isCompleted)
   {
    //取出需要检查的ip地址,第一次100条则checklist就是100条记录,
    //第二次的100条中只有10是和上一次的不重复,则第二次只需要检查这10条记录
    timer_xicidaili_isCompleted = false;
    List<string> checkList = new List<string>();
    var listProxyIp = ProxyIpHelper.GetXicidailiProxy(1);
    if (listProxyIp.Count > 0)
    {
     Console.WriteLine("xicidaili.com 抓取到" + listProxyIp.Count + "条记录,正在对比............");
     listProxyIp.ForEach(f =>
     {
      if (!lastListxicidaili.Contains(f))
      {
       checkList.Add(f);
      }
     });
     lastListxicidaili = listProxyIp;
     if (checkList.Count > 0)
     {
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("xicidaili.com 需要检查" + checkList.Count + "条记录,正在进行检测是否有效..........");
      for (int i = 0; i < checkList.Count; i++)
      {
       string ipAddress = checkList[i];
       await ProxyIpHelper.CheckProxyIpAsync(ipAddress, () =>
       {
        bool insertSuccess = RedisHelper.InsertSet(ipAddress);
        Console.ForegroundColor = ConsoleColor.White;
        Console.WriteLine("xicidaili.com");
        if (insertSuccess)
        {
         Console.WriteLine("success" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
        }
        else
         Console.WriteLine("重复插入" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
       }, (error) =>
       {
        Console.WriteLine("xicidaili.com");
        Console.ForegroundColor = ConsoleColor.Red;
        Console.WriteLine("error:" + ipAddress + error + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
       });
      }
      timer_xicidaili_isCompleted = true;
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("xicidaili.com" + checkList.Count + "条记录,已经检测完成,正在进行下一次检查");
     }
     else
     {
      timer_xicidaili_isCompleted = true;
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("xicidaili.com没有需要检查的代理ip");
     }
    }
    else
    {
     timer_xicidaili_isCompleted = true;
     Console.ForegroundColor = ConsoleColor.DarkCyan;
     Console.WriteLine("xicidaili.com没有获取到代理ip");
    }
   }
  }
  private static async Task TimerIp3366Async()
  {
   if (timer_ip3366_isCompleted)
   {
    timer_ip3366_isCompleted = false;
    List<string> checkList = new List<string>();
    var listProxyIp = ProxyIpHelper.GetIp3366Proxy(4);
    if (listProxyIp.Count > 0)
    {
     Console.ForegroundColor = ConsoleColor.DarkCyan;
     Console.WriteLine("ip3366.net 抓取到" + listProxyIp.Count + "条记录,正在进行检测是否有效..........");
     listProxyIp.ForEach(f =>
     {
      if (!lastListip3366.Contains(f))
      {
       checkList.Add(f);
      }
     });
     lastListip3366 = listProxyIp;
     if (checkList.Count != 0)
     {
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("ip3366.net 需要检查" + checkList.Count + "条记录,正在进行检测是否有效..........");
      for (int i = 0; i < checkList.Count; i++)
      {
       string ipAddress = checkList[i];
       await ProxyIpHelper.CheckProxyIpAsync(ipAddress, () =>
       {
        bool insertSuccess = RedisHelper.InsertSet(ipAddress);
        Console.ForegroundColor = ConsoleColor.White;
        Console.WriteLine("ip3366.net");
        if (insertSuccess)
        {
         Console.WriteLine("success" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
        }
        else
        {
         Console.ForegroundColor = ConsoleColor.Red;
         Console.WriteLine("重复插入" + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
        }
       }, (error) =>
       {
        Console.ForegroundColor = ConsoleColor.Yellow;
        Console.WriteLine("ip3366.net");
        Console.WriteLine("error " + ipAddress + "任务编号:" + i + "当前任务线程:" + Thread.CurrentThread.ManagedThreadId);
       });
      }
      timer_ip3366_isCompleted = true;
      Console.WriteLine("ip3366.net" + checkList.Count + "条记录,已经检测完成,正在进行下一次检查");
     }
     else
     {
      timer_ip3366_isCompleted = true;
      Console.ForegroundColor = ConsoleColor.DarkCyan;
      Console.WriteLine("ip3366.net没有需要检查的代理ip");
     }
    }
    else
    {
     timer_ip3366_isCompleted = true;
     Console.ForegroundColor = ConsoleColor.DarkCyan;
     Console.WriteLine("ip3366.net没有获取到代理ip");
    }

   }
  }
 }

Redis第三库使用的stackoverflow的 StackExchange.Redis,代理ip不能重复储存,所以采用的数据结构是Set。存的值非常简单就一个ip加上port,也可以存入更多相关信息,感觉没必要。即使有这些其他的信息,也很难发挥作用。RedisHelper.cs如下

public class RedisHelper
 {
  private static readonly object Locker = new object();
  private static ConnectionMultiplexer _redis;
  private const string CONNECTTIONSTRING = "127.0.0.1:6379,DefaultDatabase=3";
  public const string REDIS_SET_KET_SUCCESS = "set_success_ip";
  private static ConnectionMultiplexer Manager
  {
   get
   {
    if (_redis == null)
    {
     lock (Locker)
     {
      if (_redis != null) return _redis;
      _redis = GetManager();
      return _redis;
     }
    }
    return _redis;
   }
  }
  private static ConnectionMultiplexer GetManager(string connectionString = null)
  {
   if (string.IsNullOrEmpty(connectionString))
   {
    connectionString = CONNECTTIONSTRING;
   }
   return ConnectionMultiplexer.Connect(connectionString);
  }
  public static bool InsertSet(string value)
  {
   var db = Manager.GetDatabase();
   return db.SetAdd(REDIS_SET_KET_SUCCESS,value);
  }
 }

总结

明天补上刷新网页浏览量的文章吧,代码还不够好,ip的有效性还不高,对多线程的使用还不是很熟练

好了,以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对脚本之家的支持。

您可能感兴趣的文章:
阅读全文