爬虫—代理池的维护一(获取模块)

记录一个免费代理池的维护,主要包含四个模块:
获取模块:主要负责从各个免费代理网站提取出最新发布的免费代理,获取到本地并解析
存储模块:负责将获取模块获取到的proxy存储至redis数据库
检测模块:负责检测redis数据库中proxy的可用代理可不可用代理,并赋以权重
调度模块:负责将获取模块、存储模块和检测模块关联,并封装

主要涉及知识点:

  • 元类
  • python操作redis数据库,redis库的使用
  • requests库的使用
  • pyquery的使用
  • aiohttp异步http框架的简单使用
  • 多线程和多进程

获取模块

# -*- coding: utf-8 -*-
"""
__author__ = 'bingo'
__date__ = '2019/9/7'
# code is far away from bugs with the god animal protecting
    I love animals. They taste delicious.
             ┏┓   ┏┓
            ┏┛┻━━━┛┻┓
            ┃     ☃ ┃
            ┃  ┳┛  ┗┳  ┃
            ┃      ┻   ┃
            ┗━┓      ┏━┛
                ┃    ┗━━━┓
                ┃  神兽保 ┣┓
                ┃ 永无BUG┏┛
                ┗ ┓┏━┳┓┏┛
                  ┃┫┫  ┃┫┫
                  ┗┻┛  ┗┻┛
"""
import random
import asyncio
import requests
import time
import redis
import aiohttp
from pyquery import PyQuery as pq
from redis import ResponseError
from requests import ConnectTimeout
from concurrent.futures import ThreadPoolExecutor
from multiprocessing import Process
from flask import Flask

# 获取模块
class ProxyMeta(type):
    def __new__(cls, name, bases, attrs):
        crawl_count = 0
        attrs["__CrawlFunc__"] = []

        # 获取获取模块中用来爬取代理的所有函数
        for k, v in attrs.items():
            if k.startswith("crawl_"):
                func = "self.{}()".format(k)
                attrs["__CrawlFunc__"].append(func)
                crawl_count += 1

        # 获取获取模块中用来爬取代理的函数数量
        attrs["__CrawlFuncCount__"] = crawl_count
        return type.__new__(cls, name, bases, attrs)


class CrawlerGetter(object, metaclass=ProxyMeta):

    def __init__(self):
        headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X x.y; rv:42.0) Gecko/20100101 Firefox/42.0'}
        self.headers = headers
        self.proxy_count = 0
        self.db_client = ProxyRedisClient()

    def get_page(self, url, encoding):
        try:
            res = requests.get(url, headers=self.headers, timeout=2.5)
            if res.status_code == 200:
                res.encoding = encoding
                html = res.text
                return html
            else:
                return None
        except ConnectTimeout:
            return None

    def crawl_66daili(self):
        """
        66代理
        :return:
        """
        i = 0
        url = "http://www.66ip.cn/{page}.html"
        for page in range(1, 11):
            html = self.get_page(url.format(page=page), 'gbk')
            if html:
                p = pq(html)
                doc = p(".containerbox table tr:gt(0)")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【66代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【66代理】获取代理失败page:%s" % page)
                continue

    def crawl_iphai(self):
        """
        ip海代理
        :return:
        """
        i = 0
        urls = ["http://www.iphai.com/free/ng", "http://www.iphai.com/free/wg"]
        for url in urls:
            html = self.get_page(url, 'utf8')
            if html:
                p = pq(html)
                doc = p(".table-responsive table tr:gt(0)")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【IP海代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【IP海代理】获取代理失败: %s" % url)
                continue

    def crawl_qiyun(self):
        """
        齐云代理
        :return:
        """
        i = 0
        url = "http://www.qydaili.com/free/?action=china&page={page}"
        for page in range(1, 11):
            html = self.get_page(url.format(page=page), "utf8")
            if html:
                p = pq(html)
                doc = p(".table tbody tr")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【齐云代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【齐云代理】获取代理失败page:%s" % page)
                continue

    def crawl_89daili(self):
        """
        89免费代理
        :return:
        """
        i = 0
        url = "http://www.89ip.cn/index_{page}.html"
        for page in range(1, 21):
            html = self.get_page(url.format(page=page), "utf8")
            if html:
                p = pq(html)
                doc = p(".layui-table tbody tr")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【89免费代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【89免费代理】获取代理失败page:%s" % page)
                continue

    def crawl_kuaidaili(self):
        """
        快代理
        :return:
        """
        i = 0
        url = "https://www.kuaidaili.com/free/inha/{page}/"
        for page in range(1, 11):
            html = self.get_page(url.format(page=page), "utf8")
            if html:
                p = pq(html)
                doc = p("table tbody tr")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【快代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【快代理】获取代理失败page:%s" % page)
                continue

    def crawl_yundaili(self):
        """
        云代理
        :return:
        """
        i = 0
        url = "http://www.ip3366.net/free/?stype=1&page={page}"
        for page in range(1, 8):
            html = self.get_page(url.format(page=page), "gb2312")
            if html:
                p = pq(html)
                doc = p("table tbody tr")
                for item in doc.items():
                    proxy_ip = item("td:first-child").text()
                    proxy_port = item("td:nth-child(2)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【云代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【云代理】获取代理失败page:%s" % page)
                continue

    def crawl_xicidaili(self):
        """
        西刺代理
        :return:
        """
        i = 0
        url = "https://www.xicidaili.com/nn/{page}"
        for page in range(1, 6):
            html = self.get_page(url.format(page=page), "utf8")
            if html:
                p = pq(html)
                doc = p(".proxies table tr:gt(0)")
                for item in doc.items():
                    proxy_ip = item("td:nth-child(2)").text()
                    proxy_port = item("td:nth-child(3)").text()
                    if proxy_ip and proxy_port:
                        proxy = ":".join([proxy_ip, proxy_port])
                        i += 1
                        print("【西刺代理%s】:%s" % (i, proxy))
                        self.proxy_count += 1
                        yield proxy
                    else:
                        pass
            else:
                print("【西刺代理】获取代理失败page:%s" % page)
                continue

    def run(self):
        """
        返回各个网站爬虫接口函数生成器,并以多线程方式存入redis数据库
        :return:
        """
        crawl_funcs_list = []
        try:
            executor = ThreadPoolExecutor(max_workers=10)
            for crawl_func_name in self.__CrawlFunc__:
                crawl_funcs_list.append(eval(crawl_func_name))
            for crawl_func in crawl_funcs_list:
                executor.submit(self.to_redis_db, crawl_func)
            executor.shutdown()
        except Exception as e:
            print("ERROR:", e)

    def to_redis_db(self, generation):
        """
        接受一个生成代理ip的生成器,将代理存入redis代理池
        :param generation:
        :return:
        """
        proxies_generation = generation
        for proxy in proxies_generation:
            self.db_client.add(proxy)

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,311评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,339评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,671评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,252评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,253评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,031评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,340评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,973评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,466评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,937评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,039评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,701评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,254评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,259评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,485评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,497评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,786评论 2 345