苦逼网-程序员网址导航

发现、收集和分享IT程序员优秀网址 - 程序员网址导航 ...

↑我也要推荐

使用 python 来抓取新浪的 IP 数据

发布时间:2011-12-13 21:30:45, 关注:+9137, 赞美:+410, 不爽:+5

原始出处: b.标签符

数据分析,特别是网站分析中需要对访问者的IP进行分析,分析IP中主要是区分来访者的省份+城市+行政区数据,考虑到目前纯真IP数据库并没有把这些数据做很好的区分,于是寻找了另外一个可行的方案(当然不是花钱买哈)。解决方案就是抓取新浪的IP数据

新浪的IP数据接口为:

http://int.dpool.sina.com.cn/iplookup/iplookup.php?format=json&ip=123.124.2.85

返回的数据为:

{"ret":1,"start":"123.123.221.0","end":"123.124.158.29","country":"\u4e2d\u56fd","province":"\u5317\u4eac","city":"\u5317\u4eac","district":"","isp":"\u8054\u901a","type":"","desc":""}

其返回的内容中已经包含了省份+城市+行政区信息了,这就是我们真实想要的。

下面就来说说如何来抓取这部分IP数据,要抓取这部分数据的主要工作就是枚举,即将接口中的IP不断的替换,要替换所有的IP地址肯定不太可能,所以我们缩小下范围,只穷举所有中国的IP段。考虑到新浪的IP接口返回的是IP段,所以要穷举的部分又少了一部分。再考虑啊到IP段的最后一位及256个IP基本上都是在一个地区,所以我们要穷举的数据有少了很多。对于穷举最重要的是把IP地址换成INT型。

具体国内有多少IP地址段,可以到APNIC官方网站去查找或下面的文档

http://ftp.apnic.net/apnic/dbase/data/country-ipv4.lst

下面就来看看穷举程序如何写:

import re
def ipv3_to_int(s):
    l = [int(i) for i in s.split('.')]
    return  (l[0] << 16) | (l[1] << 8) | l[2]
def int_to_ipv3(s):
    ip1 = s >> 16 & 0xFF
    ip2 = s >> 8 & 0xFF
    ip3 = s & 0xFF
    return "%d.%d.%d" % (ip1, ip2, ip3)
i = open('ChinaIPAddress.csv', 'r')
list = i.readlines()
for iplist in list:
    pattern = re.compile('(\d{1,3}\.\d{1,3}\.\d{1,3})\.\d{1,3}')
    ips = pattern.findall(iplist)
    x = ips[0]
    y = ips[1]
    for ip in range (ipv3_to_int(x),ipv3_to_int(y)):
        ipadress=str(ip)
        #ip_address = int_to_ipv3(ip)
        o = open('ChinaIPAddress.txt','a')
        o.writelines(ipadress)
        o.writelines('\n')
    o.close()
i.close()

当上面的不走完成后就可以对新浪IP接口进行抓取了,抓取代码如下:

#!/usr/bin/python
# -*- coding: utf-8 -*-
import urllib,urllib2, simplejson, sqlite3, time
def ipv3_to_int(s):
    l = [int(i) for i in s.split('.')]
    return  (l[0] << 16) | (l[1] << 8) | l[2]
def int_to_ipv4(s):
    ip1 = s >> 16 & 0xFF
    ip2 = s >> 8 & 0xFF
    ip3 = s & 0xFF
    return "%d.%d.%d.0" % (ip1, ip2, ip3)
def fetch(ipv4, **kwargs):
    kwargs.update({
        'ip': ipv4,
        'format': 'json',
    })
    DATA_BASE = "http://int.dpool.sina.com.cn/iplookup/iplookup.php"
    url = DATA_BASE + '?' + urllib.urlencode(kwargs)
    print url
    fails = 0
    try:
        result = simplejson.load(urllib2.urlopen(url,timeout=20))
    except (urllib2.URLError,IOError):
        fails += 1
        if fails < 10:
            result = fetch(ipv4)
        else:
            sleep_download_time = 60*10
            time.sleep(sleep_download_time)
            result = fetch(ipv4)
    return result
def dbcreate():
    c = conn.cursor()
    c.execute('''create table ipdata(
        ip integer primary key,
        ret integer,
        start text,
        end text,
        country text,
        province text,
        city text,
        district text,
        isp text,
        type text,
        desc text
    )''')
    conn.commit()
    c.close()
def dbinsert(ip,address):
    c = conn.cursor()
    c.execute('insert into ipdata values(?,?,?,?,?,?,?,?,?,?,?)',(ip,address['ret'],address['start'],address['end'],address['country'],address['province'],address['city'],address['district'],address['isp'],address['type'],address['desc']))
    conn.commit()
    c.close()
conn = sqlite3.connect('ipaddress.sqlite3.db')
dbcreate()
i = open('ChinaIPAddress.txt','r')
list = [s.strip() for s in i.readlines()]
end = 0
for ip in list:
    ip = int(ip)
    if ip > end :
        ipaddress = int_to_ipv4(ip)
        info = fetch(ipaddress)
        if info['ret'] == -1:
            pass
        else:
            dbinsert(ip,info)
            end = ipv3_to_int(info['end'])
            print ip,end
    else :
        pass
i.close()

到此就能把新浪所有的国内IP数据给抓取出来,然后在数据分析的工程中大派用场。~

如果你觉得本站对你有帮助,欢迎向本站赞助 :P

使用支付宝捐赠

Copyright© Python4cn(news, jobs) simple-is-better.com, 技术驱动:powered by web.py 空间主机:Webfaction

版权申明:文章转载已注明出处,如有疑问请来信咨询。本站为 python 语言推广公益网站,与 python 官方没有任何关系。

联系/投搞/留言: en.simple.is.better@gmail.com 向本站捐赠