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‘))

python 引用(import)文件夹下的py文件 

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:

协程gevent模块和猴子补丁

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

python代理池的构建4——mongdb数据库的增删改查

五、python代理池的构建的其他链接

python代理池的构建5——对mongodb数据库里面代理ip检查

python代理池的构建4——mongdb数据库的增删改查

python代理池的构建2——代理ip是否可用的处理和检查

python代理池的构建1——代理IP类的构建,以及配置文件、日志文件、requests请求头

相关推荐