Python代理IP池（IP proxy pool）构建

本文转自：https://blog.csdn.net/qq_42415326/article/details/95044280

使用的主要模块：

  • requests，lxml，pymongo，Flask

代理池工作流程

image.png

文字描述

  • 代理IP采集模块：抓取代理IP—>校验代理IP的可用性—>可用存储数据库
  • 校验模块：读取数据库的代理IP—>校验代理IP可用性—>更新或删除代理IP
  • 带来API模块：从数据库中获取稳定可用的代理IP，供其他爬虫使用

代理池项目结构：

image.png
  • mongo_pool模块：代理IP增删改查模块
  • proxy_spider包：采集代理IP
  • httpbin_validator模块：检测代理的可用性—speed，协议类型，匿名程度（原因: 网站上所标注的协议类型和匿名类型是不准确的）
  • proxy_api模块：提供爬虫或稳定可用代理IP和指定不可用域名的接口
  • proxy_test模块：获取数据库中代理IP，定期检测可用性
  • dbmodle模块：代理IP数据模型
  • main模块：程序入口
  • http模块：提供随机User-Agent的请求头
  • log模块：记录日志
  • settings模块：项目配置文件

项目实现思路

先实现不依赖其他模块的基础模块，然后在实现具体功能模块

1. 实现代理IP的数据模型类（dbmodle.py）

'''
代理ip数据模型模块
定义一个类, 继承object
实现init方法, 负责初始化, 包含如下字段:
    ip: 代理的IP地址
    port: 代理IP的端口号
    protocol: 代理IP支持的协议类型,http是0, https是1, https和http都支持是2
    nick_type: 代理IP的匿名程度, 高匿:0, 匿名: 1, 透明:2
    speed: 代理IP的响应速度, 单位s
    area: 代理IP所在地区
    score: 代理IP的评分, 默认分值可以通过配置文件进行配置. 在进行代理可用性检查的时候, 每遇到一次请求失败就减1份, 减到0的时候从池中删除. 如果检查代理可用, 就恢复默认分值
    disable_domains: 不可用域名列表, 有些代理IP在某些域名下不可用, 但是在其他域名下可用
创建配置文件: settings.py; 定义MAX_SCORE = 50, 
'''
from settings import MAX_SCORE
 
class Proxy(object):
 
    def __init__(self,ip,port,protocol=-1,nick_type=-1,speed=-1,area=None,score=MAX_SCORE,disuseble_dommains=[]):
        #代理ip的地址
        self.ip = ip
        #代理ip的端口号
        self.port = port
        #代理ip支持协议类型：支持http为0，支持https为1，都支持为2
        self.protocol = protocol
        #代理ip的匿名程度：高匿为0，匿名为1，透明为2
        self.nick_type =nick_type
        #代理ip的响应速度
        self.speed = speed
        #代理ip所在地区
        self.area = area
        #代理ip的评分，衡量代理ip的可用性
        self.score =score
        #代理ip的不可用域名列表
        self.disuseble_dommains =disuseble_dommains
 
    def __str__(self):
        #返回数据字符串
        return str(self.__dict)

2. 实现日志记录模块（log.py）

目的：

能够方便的对程序进行调试
能够记录程序的运行状态
记录错误信息
实现：日志模块在网上有很多现成的实现, 我们开发的时候, 通常不会再自己写; 而是使用拿来主义，拿来用就完了。

把日志模块中的相关配置信息放到配置文件中
修改日志模块代码，使用配置文件中的配置信息

'''
记录日志的模块
'''
 
import sys,os
#Python的标准日志模块：logging
import logging
#将上级目录添加到搜索路径中
sys.path.append("../")
 
from settings import LOG_LEVEL,LOG_FMT ,LOG_DATEFMT,LOG_FILENAME 
 
class Logger(object):
 
    def __init__(self):
        #获取一个logger对象
        self._logger = logging.getLogger()
        #设置format对象
        self.formatter = logging.Formatter(fmt=LOG_FMT,datefmt=LOG_DATEFMT)
        #设置日志输出——文件日志模式
        self._logger.addHandler(self._get_file_handler(LOG_FILENAME))
        #设置日志输出——终端日志模式
        self._logger.addHandler(self._get_console_handler())
        # 4. 设置日志等级
        self._logger.setLevel(LOG_LEVEL)
 
    def _get_file_handler(self, filename):
        '''
        返回一个文件日志handler
        '''
        # 获取一个输出为文件日志的handler
        filehandler = logging.FileHandler(filename=filename,encoding="utf-8")
        # 设置日志格式
        filehandler.setFormatter(self.formatter)
        # 返回
        return filehandler
 
    def _get_console_handler(self):
        '''
        返回一个输出到终端日志handler
        '''
        #获取一个输出到终端的日志handler
        console_handler = logging.StreamHandler(sys.stdout)
        #设置日志格式
        console_handler.setFormatter(self.formatter)
        # 返回handler
        return console_handler
 
    #属性装饰器，返回一个logger对象
    @property
    def logger(self):
        return self._logger
 
# 初始化并配一个logger对象，达到单例
# 使用时，直接导入logger就可以使用
logger = Logger().logger
 
if __name__ == '__main__':
    print(logger)
    logger.debug("调试信息")
    logger.info("状态信息")
    logger.warning("警告信息")
    logger.error("错误信息")
    logger.critical("严重错误信息")

3.校验代理IP的协议类型、匿名程度，速度（httpbin_validator.py）

'''
代理IP速度检查: 就是发送请求到获取响应的时间间隔
匿名程度检查:
        对 http://httpbin.org/get 或 https://httpbin.org/get 发送请求
        if : origin 中有','分割的两个IP就是透明代理IP
        if : headers 中包含 Proxy-Connection 说明是匿名代理IP
        else : 就是高匿代理IP
检查代理IP协议类型:
    如果 http://httpbin.org/get 发送请求可以成功, 说明支持http协议
    如果 https://httpbin.org/get 发送请求可以成功, 说明支持https协议
'''
import sys
import time
import requests
import json
sys.path.append("..")
from proxy_utils import random_headers
from settings import CHECK_TIMEOUT
from proxy_utils.log import logger
from dbmodle import Proxy
 
 
def check_proxy(proxy):
    '''
    分别判断http和https是否请求成功
    '''
    #代理ip
    proxies = {
    'http':'http://{}:{}'.format(proxy.ip,proxy.port),
    'https':'https://{}:{}'.format(proxy.ip,proxy.port),
    }
 
    http,http_nick_type,http_speed = http_check_proxies(proxies)
    https,https_nick_type,https_speed = http_check_proxies(proxies,False)
 
    if http and https:
        proxy.protocol = 2  #支持https和http
        proxy.nick_type =http_nick_type
        proxy.speed = http_speed
    elif http:
        proxy.protocol = 0  #只支持http
        proxy.nick_type =http_nick_type
        proxy.speed = http_speed
    elif https:
        proxy.protocol = 1 #只支持https
        proxy.nick_type =https_nick_type
        proxy.speed = https_speed
    else:  
        proxy.protocol = -1
        proxy.nick_type = -1
        proxy.speed = -1
    
    #logger.debug(proxy)
 
    return proxy
 
def http_check_proxies(proxies,isHttp = True):
    '''
    代理ip请求校验ip
    '''
    nick_type = -1 #匿名程度变量
    speed = -1  #响应速度变量
    if isHttp:
        test_url = 'http://httpbin.org/get'
    else:
        test_url = 'https://httpbin.org/get'
    #requests库请求test_url
    try:
        #响应时间
        start_time = time.time()
        res = requests.get(test_url,headers = random_headers.get_request_headers(),proxies = proxies,timeout = TCHECK_TIMEOUT)
        end_time = time.time()
        cost_time =end_time-start_time
 
        if res.status_code == 200:
            #响应速度
            speed = round(cost_time,2)
            #转换为字典
            res_dict = json.loads(res.text)
            #获取请求来源ip
            origin_ip = res_dict['origin']
            #获取响应请求头中'Proxy-Connection',若有,说明是匿名代理
            proxy_connection = res_dict['headers'].get('Proxy-Conntion',None)
 
            if "," in origin_ip:
                #如果响应内容中的源ip中有‘,’分割的两个ip的话及时透明代理ip
                nick_type = 2 #透明
            elif proxy_connection:
                #'Proxy-Connection'存在说明是匿名ip
                nick_type = 1 #匿名
            else:
                nick_type =0  #高匿
            return True,nick_type,speed
        else:
            return False,nick_type,speed
    except Exception as e:
        #logger.exception(e)
        return False,nick_type,speed
 
if __name__ == '__main__':
    proxy = Proxy('60.13.42.94','9999')
    result = check_proxy(proxy)
    print(result)

4. 实现数据库模块（增删改查功能和api功能——mongo_pool.py）

定义MongoPool类, 继承object

  1. 在init中, 建立数据连接, 获取要操作的集合, 在 del 方法中关闭数据库连接
  2. 提供基础的增删改查功能
    1. 实现插入功能
    2. 实现修改该功能
    3. 实现删除代理: 根据代理的IP删除代理
    4. 查询所有代理IP的功能
  3. 提供代理API模块使用的功能
    1. 实现查询功能: 根据条件进行查询, 可以指定查询数量, 先分数降序, 速度升序排, 保证优质的代理IP在上面.
    2. 实现根据协议类型 和 要访问网站的域名, 获取代理IP列表
    3. 实现根据协议类型 和 要访问网站的域名, 随机获取一个代理IP
    4. 实现把指定域名添加到指定IP的disable_domain列表中.
'''
针对proxies集合进行数据库的增删改查的操作，并提供代理api使用
'''
import random
import pymongo
import sys
 
sys.path.append("..")
from settings import MONGO_URL
from proxy_utils.log import logger
from dbmodle import Proxy
 
class MongoPool(object):
 
    def __init__(self):
        #连接数据库
        self.client = pymongo.MongoClient(MONGO_URL)
        #获取操作字典集
        self.proxies = self.client['proxy_pool']['proxies']
 
    def __del__(self):
        #关闭数据库连接
        self.client.close()
 
    def insert(self,proxy):
        '''
        代理ip插入方法
        '''
        count = self.proxies.count_documents({'_id':proxy.ip})
        if count == 0:
            #Proxy对象转换为字典
            proxy_dict = proxy.__dict__
            #主键
            proxy_dict['_id'] = proxy.ip
            #向proxies字典集中插入代理ip
            self.proxies.insert_one(proxy_dict)
            logger.info('插入新的代理：{}'.format(proxy))
        else:
            logger.warning('已经存在的代理{}'.format(proxy))
 
    def update(self,proxy):
        '''
        修改更新数据库中代理ip
        '''
        self.proxies.update_one({'_id':proxy.ip},{'$set':proxy.__dict__})
        logger.info('更新代理ip：{}'.format(proxy))
 
    def delete(self,proxy):
        '''
        删除数据库中代理ip
        '''
        self.proxies.delete_one({'_id':proxy.ip})
        logger.info('删除代理ip:{}'.format(proxy))
 
    def find_all(self):
        '''
        查询数据库中所有的代理ip
        '''
        cursor = self.proxies.find()
 
        for item in cursor:
            #删除_id键值对
            item.pop('_id')
            proxy = Proxy(**item)
            #生成器yield
            yield proxy
 
    def limit_find(self,conditions = {},count = 0):
        '''根据条件进行查询, 
        可以指定查询数量, 先分数降序, 速度升序排, 
        保证优质的代理IP在上面'''
        cursor = self.proxies.find(conditions,limit = count).sort([
            ('score',pymongo.DESCENDING),('speed',pymongo.ASCENDING)])
        #接受查询所得代理IP
        proxy_list = []
 
        for item in cursor:
            itme.pop('_id')
            proxy = Proxy(**item)
            proxy_list.append(proxy)
        return proxy_list
 
    def get_proxies(self,protocol =None,domain = None,nick_type =0,count = 0):
        '''
        实现根据协议类型和要访问网站的域名, 获取代理IP列表
        '''
        conditions = {'nike_type':nick_type}
        if protocol is None:
            conditions['protocol'] = 2
        elif protocol.lower() == 'http':
            conditions['protocol'] ={'$in':[0,2]}
        else:
            conditons['protocol'] ={'$in':[1,2]}
 
        if domain:
            conditons['disable_domains'] = {'$nin':[domain]}
 
        return self.limit_find(conditions,count = count)
 
    def random_proxy(self,protocol = None,domain =None,count = 0,nick_type =0):
        '''
        根据协议类型 和 要访问网站的域名, 随机获取一个代理IP
        '''
        proxy_list = self.get_proxies(protocol =protocol,domain = domain ,count = count ,nick_type =nick_type)
 
        return random.choice(proxy_list)
 
    def add_disable_domain(self,ip，domain):
        '''
        把指定域名添加到指定IP的disable_domain列表中,没有才添加
        '''
        count = self.proxies.count_documents({'_id':ip,'disable_domains':domain})
        if count == 0:
            self.proxies.update_one({'_id':ip},{'$push':{'disable_domains':domain}})
 
 
 
if __name__ == '__main__':
    mongo = MongoPool()
    #插入测试
    #proxy = Proxy('202.104.113.32','53281')
    #mongo.insert(proxy)
 
    #更新测试
    #proxy = Proxy('202.104.113.32','8888')
    #mongo.update(proxy)
 
    #删除测试
    #proxy = Proxy('202.104.113.32','8888')
    #mongo.delete(proxy)
 
    #查询所有测试
    #for proxy in mongo.find_all():
        #print(proxy)

5.实现随机获取User-Agent 的请求头模块（random_headers.py）


'''
获取随机User-Agent的请求头
'''
import random
 
#用户代理User-Agent列表
USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
    "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
    "Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
    "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
    "Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
    "MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
    "Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
    "Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13",
    "Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
    "Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0",
    "Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
    "UCWEB7.0.2.37/28/999",
    "NOKIA5700/ UCWEB7.0.2.37/28/999",
    "Openwave/ UCWEB7.0.2.37/28/999",
    "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999",
    # iPhone 6：
    "Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25",
]
 
#随机获取一个用户代理User-Agent的请求头
def get_request_headers():
    headers = {
    'User-Agent':random.choice(USER_AGENTS),
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
    'Accept-language':'zh-CN,zh;q=0.9,en;q=0.8',
    'Referer':'https://www.baidu.com',
    'Accept-Encoding':'gzip, deflate,br',
    'Connection':'keep-alive',
    }
    return headers
 
    
 
if __name__ == '__main__':
    #测试随机与否
    print(get_request_headers())
    print("------------"*20)
    print(get_request_headers())

6.实现通用爬虫，作为具体爬虫的父类（base_poxies.py）

'''
通用爬虫:通过指定URL列表, 分组XPATH和组内XPATH, 来提取不同网站的代理IP
定义一个BaseSpider类, 继承object
  - 提供三个类成员变量:urls, group_xpath, detail_xpath: ip, port, area
  - 提供初始方法, 传入爬虫URL列表, 分组XPATH, 详情(组内)XPATH
  - 对外提供一个获取代理IP的方法
'''
 
import requests
import sys
import time,random
from lxml import etree
sys.path.append('..')
from proxies_utils.random_headers import get_request_headers
from dbmodle import Proxy
 
class BaseSpider(object):
    #类成员变量
    #代理IP网址的URL的列表
    urls =[]
    #分组XPATH, 获取包含代理IP信息标签列表的XPATH
    group_xpath = ''
    #组内XPATH, 获取代理IP详情的信息XPATH, 格式为: {'ip':'xx', 'port':'xx', 'area':'xx'}
    detail_xpath ={}
    def __init__(self,urls =[],group_xpath='',detail_xpath={}):
        #提供初始方法, 传入爬虫URL列表, 分组XPATH, 详情(组内)XPATH
        if urls:
            self.urls =urls
        if group_xpath:
            self.group_xpath =group_xpath
        if detail_xpath:
            self.detail_xpath=detail_xpath
 
 
    def get_proxies(self):
        #获取页面数据
        for url in self.urls:
            page_html = self.get_page(url)
            proxies =self.get_html_proxies(page_html)
            #yeild from 返回的是proxies内的数据
            yield from proxies
 
    def get_page(self,url):
        #请求页面数据
        res =requests.get(url,headers = get_request_headers())
        #每次请求url休眠1秒
        time.sleep(random.uniform(1,5))
        return res.content
 
    def get_html_proxies(self,page_html):
        element = etree.HTML(page_html)
        trs = element.xpath(self.group_xpath)
        for tr in trs:
            ip = self.get_list_first(tr.xpath(self.detail_xpath['ip']))
            port = self.get_list_first(tr.xpath(self.detail_xpath['port']))
            area = self.get_list_first(tr.xpath(self.detail_xpath['area']))
            proxy = Proxy(ip,port,area=area)
            yield proxy
 
    def get_list_first(self,lst):
        #返回列表的第一个元素
        return lst[0] if len(lst) !=0 else ''
 
if __name__ == '__main__':
    config = {
    'urls':['http://www.ip3366.net/free/?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[5]/text()',
    }
    }
    spider = BaseSpider(**config)
    for proxy in spider.get_proxies():
        print(proxy)

7.实现具体的爬虫类(proxy_spiders.py)

'''
实现具体的爬虫类
'''
#import time
#import random
import requests
import sys
sys.path.append('../')
#import re
#import js2py
from proxy_spider.base_spider import BaseSpider
 
class XiciSpider(BaseSpider):
    '''西刺代理爬虫   '''
    urls = ['http://www.xicidaili.com/nn/{}'.format(i) for i in range(1,21)]
 
    group_xpath = '//*[@id="ip_list"]//tr[position()>1]'
    detail_xpath = {
    'ip':'./td[2]/text()',
    'port':'./td[3]/text()',
    'area':'./td[4]/a/text()',
    }
 
class Ip3366Spider(BaseSpider):
    '''
    ip3366代理爬虫
    '''
 
    urls = ['http://www.ip3366.net/free/?stype={}&page={}'.format(i,j) for i in range(1,4,2) for j in range(1,8)]
 
    group_xpath = '//*[@id="list"]/table/tbody/tr'
    detail_xpath = {
    'ip':'./td[1]/text()',
    'port':'./td[2]/text()',
    'area':'./td[5]/text()',
    }
 
 
class kuaiSpider(BaseSpider):
    '''
    快代理爬虫
    '''
 
    urls = ['http://www.kuaidaili.com/free/in{}/{}'.format(i,j) for i in ['ha','tr'] for j in range(1,21)]
 
    group_xpath = '//*[@id="list"]/table/tbody/tr'
    detail_xpath = {
    'ip':'./td[1]/text()',
    'port':'./td[2]/text()',
    'area':'./td[5]/a/text()',
    }
 
    '''
    def get_page(self,url):
        #随机等待时间
        time.sleep(random.uniform(1,2))
        return super().get_page(url)
    '''
 
class Free89ipSpider(BaseSpider):
    '''
    89ip代理爬虫
    '''
    urls = ['http://www.89ip.cn/index{}.html'.format(i) for i in range(1,17)]
 
    group_xpath = '//div[3]//table/tbody/tr'
    detail_xpath = {
    'ip':'./td[1]/text()',
    'port':'./td[2]/text()',
    'area':'./td[3]/text()',
    }
 
    def get_page(self,url):
        return super().get_page(url).decode()
 
    def get_proxies(self):
        proxies = super().get_proxies()
        for item in proxies:
            item.ip = str(item.ip).replace("\n","").replace("\t","")
            item.area = str(item.area).replace("\n","").replace("\t","")
            item.port = str(item.port).replace("\n","").replace("\t","")
            #返回Proxy对象
            yield item
 
if __name__ == '__main__':
    spider = Free89ipSpider()
    count= 0
    for proxy in spider.get_proxies():
        count+=1
        print(proxy)

8. 实现运行爬虫模块(run_spider.py)

创建RunSpider类
    run方法运行爬虫, 作为运行爬虫的入口,获取爬虫列表并运行，检测代理IP，可用,写入数据库并处理爬虫内部异常
    使用协程异步来执行每一个爬虫任务, 以提高抓取代理IP效率
    使用schedule模块, 实现每隔一定的时间, 执行一次爬取任务
'''
 
from gevent import monkey
monkey.patch_all()
from gevent.pool import Pool
 
import importlib
import sys,time
import schedule
sys.path.append('../')
from settings import PROXIES_SPIDERS,SPIDERS_RUN_INTERVAL
from proxy_validate.httpbin_validator import check_proxy
from proxies_db.mongo_pool import MongoPool
from proxies_utils.log import logger
 
class RunSpider(object):
 
    def __init__(self):
 
        self.mongo_pool = MongoPool()
        self.coroutine_pool = Pool()
 
    def get_spider_from_settings(self):
        '''
        获取配置文件中的具体爬虫列表创建对象
        '''
        for full_class_name in PROXIES_SPIDERS:
            module_name,class_name = full_class_name.rsplit('.',maxsplit =1)
            #动态导入模块
            module = importlib.import_module(module_name)
 
            cls = getattr(module,class_name)
            spider = cls()
            yield spider
 
    def run(self):
        '''
        遍历爬虫对象，执行get_proxies方法
        '''
        spiders = self.get_spider_from_settings()
        for spider in spiders:
            self.coroutine_pool.apply_async(self.__run_one_spider,args=(spider,))
        #当前线程等待爬虫执行完毕
        self.coroutine_pool.join()
    
 
    def __run_one_spider(self,spider):
        try:
            for proxy in spider.get_proxies():
                time.sleep(0.1)
                checked_proxy = check_proxy(proxy)
                if proxy.speed != -1:
                    self.mongo_pool.insert(checked_proxy)
        except Exception as er:
            logger.exception(er)
            logger.exception("爬虫{} 出现错误".format(spider))
 
    @classmethod
    def start(cls):
        '''
        类方法，依据配置文件汇总的时间间隔run爬虫，单位小时
        '''
        rs = RunSpider()
        rs.run()
        schedule.every(SPIDERS_RUN_INTERVAL).hours.do(rs.run)
 
        while 1:
            schedule.run_pending()
            time.sleep(60)
 
 
 
if __name__ == '__main__':
    #类方法调用
    RunSpider.start()
    #app = RunSpider()
    #app.run()
 
    #测试schedue
    '''def task():
        print("haha")
    schedule.every(10).seconds.do(task)
    while 1:
        schedule.run_pending()
        time.sleep(1)'''

9. 代理IP检查模块(proxy_test.py)

'''
定期检测数据库中的代理ip的可用性,分数评级，更新数据库
'''
from gevent import monkey
monkey.patch_all()
from gevent.pool import Pool
from queue import Queue
import schedule
import sys
sys.path.append('../')
from proxy_validate.httpbin_validator import check_proxy
from proxies_db.mongo_pool import MongoPool
from settings import TEST_PROXIES_ASYNC_COUNT,MAX_SCORE,TEST_RUN_INTERVAL
 
 
class DbProxiesCheck(object):
 
    def __init__(self):
        #创建操作数据库对象
        self.mongo_pool = MongoPool()
        #待检测ip队列
        self.queue = Queue()
        #协程池
        self.coroutine_pool = Pool()
 
    #异步回调函数
    def __check_callback(self,temp):
        self.coroutine_pool.apply_async(self.__check_one,callback = self.__check_one())
 
 
    def run(self):
        #处理检测代理ip核心逻辑
        proxies = self.mongo_pool.find_all()
 
        for proxy in proxies:
            self.queue.put(proxy)
 
        #开启多异步任务
        for i in range(TEST_PROXIES_ASYNC_COUNT):
            #异步回调，死循环执行该方法
            self.coroutine_pool.apply_async(self.__check_one,callback =self.__check_one())
        #当前线程等待队列任务完成
        self.queue.join()
 
 
 
    def __check_one(self):
        #检查一个代理ip可用性
        #从队列中获取一个proxy
        proxy = self.queue.get()
 
        checked_proxy = check_proxy(proxy)
 
        if checked_proxy.speed == -1:
            checked_proxy.score -= 1
            if checked_proxy.score == 0:
                self.mongo_pool.delete(checked_proxy)
            else:
                self.mongo_pool.update(checked_proxy)
        else:
            checked_proxy.score = MAX_SCORE
            self.mongo_pool.updata(checked_proxy)
        #调度队列的task_done方法(一个任务完成)
        self.queue.task_done()
 
 
    @classmethod
    def start(cls):
        '''
        类方法，依据配置文件的时间间隔运行检测数据库中的ip可用性，单位小时
        '''
        test = DbProxiesCheck()
        test.run()
        schedule.every(TEST_RUN_INTERVAL).hours.do(test.run)
 
        while 1:
            schedule.run_pending()
            time.sleep(60)
 
 
if __name__ == '__main__':
    DbProxiesCheck.start()
    #test = DbProxiesCheck()
    #test.run()

10. 代理IP池的API模块(proxy_api.py)

'''
为爬虫提供稳定可用的代理ip的接口
    根据协议类型和域名，提供随机的稳定可用ip的服务
    根据协议类型和域名，提供获取多个高可用代理ip的服务
    给指定ip上追加不可用域名的服务
'''
from flask import Flask
from flask import request
import json
 
from proxies_db.mongo_pool import MongoPool
 
from settings import PROXIES_MAX_COUNT
 
 
class ProxyApi(object):
 
    def __init__(self):
 
        self.app = Flask(__name__)
 
        #操作数据库的对象
        self.mongo_pool =  MongoPool()
 
        #获取接口url中参数
        @self.app.route('/random')
        def random():
            protocol = request.args.get('protocol')
            domain = request.args.get('domain')
            proxy = self.mongo_pool.random_proxy(protocal,domain,count = PROXIES_MAX_COUNT)
 
            if protocol:
                return '{}://{}:{}'.format(protocol,proxy.ip,proxy.port)
            else:
                return '{}:{}'.format(proxy.ip,proxy.port)
 
        @self.app.route('/proxies')
        def proxies():
            protocol = request.args.get('protocol')
            domain = request.args.get('domain')
            proxies =self.mongo_pool.get_proxies(protocol,domain,count =PROXIES_MAX_COUNT)
            #proxies是proxy对象构成的列表，需要转换为字典的列表
 
            proxies_dict_list =[proxy.__dict__ for proxy in proxies]
            return json.dumps(proxies_dict_list)
        
        @self.app.route('/disabldomain')
        def disable_domain():
            ip = request.args.get('ip')
            domain = request.args.get('domain')
 
            if ip is None:
                return '请提供ip参数'
            if domain is None:
                return '请提供域名domain参数'
            self.mongo_pool.add_disable_domain(ip,domain)
            return '{} 禁用域名 {} 成功'.format(ip,domain)
 
    def run(self,debug):
        self.app.run('0.0.0.0',port = 16888,debug = debug)
 
    @classmethod
    def start(cls,debug = None):
        proxy_api = cls()
        proxy_api.run(debug = debug)
 
if __name__ == '__main__':
    ProxyApi.start(debug = True)
    #proxy_api = ProxyApi()
    #proxy_api.run(debug = True)

11. 代理池启动入口(main.py)

'''
代理池统一入口：
   开启多个进程，分别启动，爬虫，检测代理ip，WEB服务
'''
 
from multiprocessing import Process
from proxy_spider.run_spider import RunSpider
from proxy_test import DbProxiesCheck
from proxy_api import ProxyApi
 
def run():
    process_list = []
    #启动爬虫
    process_list.append(Process(target = RunSpider.start))
    #启动检测
    process_list.append(Process(target = DbProxiesCheck.start))
    #启动web服务
    process_list.append(Process(target = ProxyApi.start))
 
    for process in process_list:
        #设置守护进程
        process.daemon = True
        process.start()
    #主进程等待子进程的完成
    for process in process_list:
        process.join()
 
 
if __name__ == '__main__':
    run()

12 .配置文件模块（settings.py）

#默代理IP的默认最高分数
MAX_SCORE =50
 
import logging
 
#日志模块默认配置：
# 默认等级
LOG_LEVEL = logging.DEBUG
#默认日志格式
LOG_FMT = '%(asctime)s %(filename)s [line:%(lineno)d] %(levelname)s: %(message)s'
# 默认时间格式
LOG_DATEFMT = '%Y-%m-%d %H:%M:%S'
# 默认日志文件名称
LOG_FILENAME = 'log.log'
 
#请求超时参数
CHECK_TIMEOUT = 10
 
#mongodb的URL配置
MONGO_URL = 'mongodb://127.0.0.1:27017/'
 
#具体爬虫的配置列表
PROXIES_SPIDERS = [
"proxy_spider.proxy_spiders.XiciSpider",
"proxy_spider.proxy_spiders.Ip3366Spider",
"proxy_spider.proxy_spiders.kuaiSpider",
"proxy_spider.proxy_spiders.Free89ipSpider",
]
 
#爬虫间隔自动运行时间
SPIDERS_RUN_INTERVAL = 4
 
#配置检测代理ip的异步数量
TEST_PROXIES_ASYNC_COUNT = 10
 
#db中ip间隔自动运行时间
TEST_RUN_INTERVAL = 2
 
#随机获取代理ip的最大数量
PROXIES_MAX_COUNT = 50
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
  • 人面猴
    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 203,456评论 5赞 477
  • 死咒
    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 85,370评论 2赞 381
  • 救了他两次的神仙让他今天三更去死
    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 150,337评论 0赞 337
  • 道士缉凶录：失踪的卖姜人
    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 54,583评论 1赞 273
  • 港岛之恋（遗憾婚礼）
    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 63,596评论 5赞 365
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    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 48,572评论 1赞 281
  • 城市分裂传说
    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 37,936评论 3赞 395
  • 双鸳鸯连环套：你想象不到人心有多黑
    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 36,595评论 0赞 258
  • 万荣杀人案实录
    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 40,850评论 1赞 297
  • 护林员之死
    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 35,601评论 2赞 321
  • 白月光启示录
    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 37,685评论 1赞 329
  • 活死人
    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 33,371评论 4赞 318
  • 日本核电站爆炸内幕
    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 38,951评论 3赞 307
  • 男人毒药：我在死后第九天来索命
    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 29,934评论 0赞 19
  • 一桩弑父案，背后竟有这般阴谋
    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 31,167评论 1赞 259
  • 情欲美人皮
    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 43,636评论 2赞 349
  • 代替公主和亲
    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 42,411评论 2赞 342

推荐阅读更多精彩内容

  • springboot实现java代理IP池 Proxy Pool
    一、背景 前段时间，写java爬虫。不料，爬了一段时间后ip被封禁了。由此，想到了使用ip代理，但是找了很多的ip...
    多彩海洋阅读 3,668评论 0赞 1
  • drbd指南
    feisky云计算、虚拟化与Linux技术笔记posts - 1014, comments - 298, trac...
    不排版阅读 3,813评论 0赞 5
  • Python爬虫代理池
    爬虫代理IP池 在公司做分布式深网爬虫，搭建了一套稳定的代理池服务，为上千个爬虫提供有效的代理，保证各个爬虫拿到的...
    派派森森阅读 446评论 0赞 1
  • 【红精灵】我要见马云，我要见马云
    我要见马云，我要见马云 ----文：红精灵 告诉他我快成机器人，告诉他我抱着电脑 一天只睡两个时辰，告诉他我怕天黑...
    红精灵阅读 259评论 2赞 1
  • 复盘｜第八课
    《六顶思考帽》 1.白娘子：事实 言必说数据的人 只有愿景和事实能说服人 2. 红孩儿：感觉 说印象讲感觉的人 3...
    作家阿紫阅读 198评论 0赞 0