Python-ৰে IP:প’ৰ্ট প্ৰক্সি তালিকা পৰিষ্কাৰ কৰক

IPv4 IP:port-ৰ এটা এণ্ট্ৰি প্ৰতিটো শাৰীত proxies.txt-ত ৰাখক। সকলো এটা জনা প্ৰক্সি প্ৰটোকলৰ হ’ব লাগিব। বিনামূলীয়া প্ৰক্সিৰ তালিকাৰ পৰা ল’লে এই টেক্সট ইনপুট তৈয়াৰৰ আগতে প্ৰটোকল পৃথক কৰক। পৰিষ্কাৰে প্ৰৱেশ তথ্য থকা URL, CSV স্তম্ভ বা IPv6 ঠিকনা গ্ৰহণ নকৰে।

মানক লাইব্ৰেৰীৰ এই স্ক্ৰিপ্ট একে ডিৰেক্টৰীত clean-proxies.py নামে সাঁচক:

from ipaddress import IPv4Address
from pathlib import Path

seen = set()
cleaned = []

for number, raw in enumerate(
    Path("proxies.txt").read_text(encoding="utf-8").splitlines(),
    start=1,
):
    text = raw.strip()
    if not text:
        continue
    try:
        host, port_text = text.rsplit(":", 1)
        host = str(IPv4Address(host))
        port = int(port_text)
        if not 1 <= port <= 65535:
            raise ValueError("port out of range")
    except ValueError:
        print(f"Skipping line {number}: invalid IPv4 endpoint")
        continue

    endpoint = (host, port)
    if endpoint not in seen:
        seen.add(endpoint)
        cleaned.append(f"{host}:{port}")

output = "\n".join(cleaned)
Path("proxies-clean.txt").write_text(
    output + ("\n" if output else ""),
    encoding="utf-8",
)
print(f"Saved {len(cleaned)} endpoints")

সেই ডিৰেক্টৰীৰ পৰা চলাওক:

uv run --no-project python clean-proxies.py

বাদ দিয়া শাৰীৰ বাৰ্তা আৰু proxies-clean.txt চাওক; ইনপুট ফাইল অক্ষত থাকে। আউটপুটে প্ৰথম দেখা ক্ৰম ৰাখে আৰু ঠিকনা আৰু সংখ্যাগত প’ৰ্টৰ যোৰ অনুসৰি পুনৰাবৃত্তি আঁতৰায়। 203.0.113.10:8080-ৰ দুটা প্ৰতিলিপি আৰু এটা 203.0.113.10:3128-এ দুটা এণ্ডপইণ্ট দিয়ে। দশমিক প’ৰ্ট 08080 স্বাভাৱিক হৈ 8080 হয়।

নথিৰ ঠিকনাই কেৱল বিন্যাস দেখুৱায়। বৈধ IPv4 গঠনত ব্যক্তিগত আৰু বিশেষ ব্যৱহাৰৰ ঠিকনাও থাকে, সেয়ে পৰিষ্কাৰ এণ্ট্ৰি অৱশ্যেই ৰাজহুৱাভাৱে পোৱা নাযাব পাৰে। কেৱল ৰাজহুৱা তালিকা লাগিলে স্পষ্ট ঠিকনা নীতি যোগ কৰক।

মিশ্ৰ HTTP/SOCKS ইনপুটত প্ৰটোকল পৃথক ফাইল বা স্তম্ভত ৰাখক; প’ৰ্ট 1080-ৰ পৰা অনুমান নকৰিব। প্ৰকৃত বিন্যাস বন্ধনীযুক্ত IPv6 হ’লে উপযুক্ত পাৰ্চাৰ ব্যৱহাৰ কৰক। স্ক্ৰিপ্টে অনুমানৰ সলনি অসমৰ্থিত ইনপুট নাকচ কৰে; আউটপুটে উপলব্ধতা, অনামিতা, দেশ বা গতি নকয়। সেয়া জানিবলৈ নিয়ন্ত্ৰিত সংযোগ পৰীক্ষা লাগে।