python代理池的构建3——爬取代理ip
上篇博客地址：python代理池的构建2——代理ip是否可用的处理和检查
一、基础爬虫模块(Base_spider.py)
#-*-coding:utf-8-*- ''' 目标: 实现可以指定不同URL列表,分组的XPATH和详情的XPATH,从不同页面上提取代理的IP,端口号和区域的通用爬虫; 步骤: 1.在base_ spider.py文件中,定义 一个BaseSpider类, 继承object 2.提供三个类成员变量: urls:代理IP网址的URL的列表 group_ xpath:分组XPATH,获取包含代理IP信息标签列表的XPATH detail. xpath:组内XPATH,获取代理IP详情的信息XPATH,格式为: {'ip':'xx', 'pot':'xx','area':'xx'} 3.提供初始方法，传入爬虫URL列表,分组XPATH,详情(组内)XPATH4.对外提供-个获取代理IP的方法，遍历URL列表,获取URL 根据发送请求,获取页面数据 解析页面,提取数据,封装为Proxy对象 返回Proxy对象列表 ''' import requests import sys from lxml import etree sys.path.append("..") #提供要导入的模块路径，之前博客讲过怎么使用 sys.path.append("../..") from utils.http import get_requests_headers from domain import Proxy class BaseSpider(object): #定义一个最基础的爬虫，后面爬取专门网站的爬虫继承这个基础爬虫 urls = [] group_xpath = '' #因为我们用的lxml模块解析页面，所以要传入分组xpath和细节xpath detail_xpath = {} #这个细节xpath就是ip在页面的位置，端口在页面的位置等等 def __init__(self,urls=[],group_xpath='',detail_xpath={}): if urls: self.urls = urls if group_xpath: self.group_xpath = group_xpath if detail_xpath: self.detail_xpath = detail_xpath def get_page_from_url(self,url): response = requests.get(url,headers=get_requests_headers()) #这个get_requests_headers方法是获取一个随机请求头，之前http.py模块定义过这个方法 return response.content def get_first_list(self,li=[]): if len(li)!=0: return li[0] else : return '' def get_proxies_from_page(self,page): #这个就是把HTML页面给lxml，让它解析 element = etree.HTML(page) trs = element.xpath(self.group_xpath) #print(trs) for tr in trs: #tr.xpath(self.detail_xpath['ip'])因为这一部分返回的是一个列表，而且如果我们直接写 #tr.xpath(self.detail_xpath['ip'])[0],如果这个列表为空，他就会报错导致程序异常终止 ip = self.get_first_list(tr.xpath(self.detail_xpath['ip'])) port = self.get_first_list(tr.xpath(self.detail_xpath['port'])) area = self.get_first_list(tr.xpath(self.detail_xpath['area'])) proxy = Proxy(ip,port,area=area) print(proxy.__dict__) #这个dict函数就是把对象转化成字典类型输出，python内部函数 yield proxy #函数有了这个关键字，函数就是一个生成器函数。上篇博客讲过，会挂一下链接 def get_proxies(self): for url in self.urls: # print(url) page = self.get_page_from_url(url) # print(page) proxies = self.get_proxies_from_page(page) yield from proxies if __name__ == '__main__': #用于测试这个这个模块 # config = { # 'urls':{'http://www.ip3366.net/?stype=1&page={}'.format(i) for i in range(1,3)}, # 'group_xpath':'//*[@id="list"]/table/tbody/tr', # 'detail_xpath':{ # 'ip':'./td[1]/text()', # 'port':'./td[2]/text()', # 'area':'./td[6]/text()' # } # } # # spider = BaseSpider(**config) # for proxy in spider.get_proxies(): # print(proxy) url = 'http://www.66ip.cn/4.html' response = requests.get(url,headers=get_requests_headers()) print(response.content.decode('GBK'))
二、专门针对几个网站的爬虫（proxy_spiders.py）
#-*-coding:utf-8-*- from base_spider import BaseSpider class XiciSpider(BaseSpider): urls = {'https://www.xicidaili.com/nn/{}'.format(i) for i in range(1,2)} group_xpath = '//*[@id="ip_list"]/tr[position()>1]' detail_xpath = { 'ip':'./td[2]/text()', 'port':'./td[3]/text()', 'area':'./td[4]/a/text()' } class ProxylistplusSpider(BaseSpider): urls = {'https://list.proxylistplus.com/Fresh-HTTP-Proxy-List-{}'.format(i) for i in range(1,2)} group_xpath = '//*[@id="page"]/table[2]/tr[position()>5]' detail_xpath = { 'ip':'./td[2]/text()', 'port':'./td[3]/text()', 'area':'./td[5]/text()' } class KuaidailiSpider(BaseSpider): urls = {'https://www.kuaidaili.com/free/inha/{}'.format(i) for i in range(1,4)} group_xpath = '//*[@id="list"]/table/tbody/tr' detail_xpath = { 'ip':'./td[1]/text()', 'port':'./td[2]/text()', 'area':'./td[5]/text()' } class ip66Spider(BaseSpider): urls = {'http://www.66ip.cn/{}.html'.format(i) for i in range(1,4)} group_xpath = '//*[@id="main"]/div/div[1]/table/tr[position()>1]' detail_xpath = { 'ip':'./td[1]/text()', 'port':'./td[2]/text()', 'area':'./td[3]/text()' } if __name__ == '__main__': pass # spider = XiciSpider() # spider = ProxylistplusSpider() # spider = KuaidailiSpider() # spider = ip66Spider() # for proxy in spider.get_proxies(): # print(proxy)
我写的时候就没遇到反爬。。。。我也不知道为啥。。。。我就传了一个请求头headers
三、运行这几个爬虫（run_spiders.py）
#-*-coding:utf-8-*- import sys import importlib import schedule import time from gevent import monkey monkey.patch_all() #打上猴子补丁，这个我博客下面有这一方面解释链接 from gevent.pool import Pool #导入协程池 #可能有人会问为什么要用协程，因为requests.get()请求的时候会等待时间，我们可以利用这一部分时间做其他事情 sys.path.append("../..") sys.path.append("..") from settings import SPIDERS from proxy_validate.httpbin_validator import check_proxy from db.mongo_pool import MongoPool #要把可用代理IP存入mongodb数据库 from utils.log import logger from settings import RUN_SPIDERS_INTERVAL #这些都是settings.py模块的一些变量 class RunSpiders(object): def __init__(self): self.mongo_pool = MongoPool() #创建一个数据库对象，这个是我们写的模块，可以看python代理池的构建4——mongdb数据库的增删改查 self.coroutine_pool = Pool() #创建协程池 def get_spider_from_settings(self): for full_class_name in SPIDERS: #下面这一部分就是动态导入模块，我会给出相应博客链接去解释他 module_name,class_name=full_class_name.rsplit('.',maxsplit=1) module = importlib.import_module(module_name) clss = getattr(module,class_name) spider = clss() #print(spider) yield spider def run(self): spiders = self.get_spider_from_settings() for spider in spiders: #开启多协程去分别运行多个爬虫 self.coroutine_pool.apply_async(self.run_one,args=(spider,)) self.coroutine_pool.join() #等全部爬虫都运行完，再结束这个函数 def run_one(self,spider): try: #try一下，以防某个爬虫失败导入异常，从而程序异常结束 for proxy in spider.get_proxies(): proxy = check_proxy(proxy) if proxy.speed != -1: self.mongo_pool.insert_one(proxy) #这个就是把这一个代理ip信息插入到数据库里面 except Exception as ex: logger.exception(ex) @classmethod #定义一个类方法，之后可以通过类名来调用 def start(cls): #这个cls参数，是它自己就带的 rs = RunSpiders() rs.run() schedule.every(RUN_SPIDERS_INTERVAL).hours.do(rs.run) #这个意思就是每隔RUN_SPIDERS_INTERVAL小时，就执行一遍rs.run函数 while True: schedule.run_pending() #这个就是检查时间到两个小时了没 time.sleep(60) if __name__ == '__main__': #检查本模块是否可用 RunSpiders.start() # rs = RunSpiders() # rs.run()
四、关于代码一些问题解决链接：
python中schedule模块的简单使用 || importlib.import_module动态导入模块
Python中“*”和“**”的用法 || yield的用法 || ‘$in’和'$nin' || python @property的含义
五、python代理池的构建的其他链接
