小白學 Python 爬蟲（31）：自己構建一個簡單的代理池

MYSQL_HOST = 'localhost'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWORD = 'password'
MYSQL_DB ='test'
MYSQL_CHARSET = 'utf8mb4'

import pymysql
import uuid

class MysqlClient(object):
    def __init__(self, host=MYSQL_HOST, port=MYSQL_PORT, user=MYSQL_USER, password=MYSQL_PASSWORD, database=MYSQL_DB, charset=MYSQL_CHARSET):
        """
        初始化 mysql 連接
        :param host: mysql 地址
        :param port: mysql 端口
        :param user: mysql 用戶
        :param password: mysql 密碼
        :param database: mysql scheme
        :param charset: 使用的字符集
        """
        self.conn = pymysql.connect(
            host = host,
            port = port,
            user = user,
            password = password,
            database = database,
            charset = charset
        )

    def add_proxy(self, proxy):
        """
        新增代理
        :param proxy: 代理字典
        :return:
        """
        sql = 'INSERT INTO `proxy_pool` VALUES (%(id)s, %(scheme)s, %(ip)s, %(port)s, %(status)s, %(response_time)s, now(), null )'
        data = {
            "id": str(uuid.uuid1()),
            "scheme": proxy['scheme'],
            "ip": proxy['ip'],
            "port": proxy['port'],
            "status": proxy['status'],
            "response_time": proxy['response_time'],
        }
        self.conn.cursor().execute(sql, data)
        self.conn.commit()

    def find_all(self):
        """
        獲取所有可用代理
        :return:
        """
        sql = 'SELECT * FROM proxy_pool WHERE status = "1" ORDER BY update_date ASC '
        cursor = self.conn.cursor()
        cursor.execute(sql)
        res = cursor.fetchall()
        cursor.close()
        self.conn.commit()
        return res

    def update_proxy(self, proxy):
        """
        更新代理信息
        :param proxy: 需要更新的代理
        :return:
        """
        sql = 'UPDATE proxy_pool SET scheme = %(scheme)s, ip = %(ip)s, port = %(port)s, status = %(status)s, response_time = %(response_time)s, update_date = now()  WHERE id = %(id)s '
        data = {
            "id": proxy['id'],
            "scheme": proxy['scheme'],
            "ip": proxy['ip'],
            "port": proxy['port'],
            "status": proxy['status'],
            "response_time": proxy['response_time'],
        }
        self.conn.cursor().execute(sql, data)
        self.conn.commit()

在這個類中，我們首先定義了一些常量，都是和數據庫連接有關的常量，如 MYSQL_HOST 數據庫地址、 MYSQL_PORT 數據庫端口、 MYSQL_USER 數據庫用戶名、 MYSQL_PASSWORD 數據庫密碼、 MYSQL_DB 數據庫的 scheme 、 MYSQL_CHARSET 字符集。

接下來定義了一個 MysqlClient 類，定義了一些方法用以執行數據庫的相關操作。

init()：初始化方法，在初始化 MysqlClient 這個類時，同時初始化了 Mysql 數據庫的鏈接信息，獲得了數據庫連接 connection 。
add_proxy()：向數據庫中添加代理，並添加相關信息，包括代理響應延時和健康狀況。
find_all()：獲取所有數據庫可用代理，並根據更新時間正序排布，主要用於后續代理檢查。
update_proxy()：更新代理信息，主要用戶檢查模塊檢查完代理后更新代理信息，根據取出當前代理的主鍵 id 進行更新。

獲取模塊

獲取模塊相對比較簡單，主要功能就是從各個免費代理網站上將我們所需要的代理信息抓取下來。示例如下：

import requests
from pyquery import PyQuery
from MysqlClient import MysqlClient
from VerifyProxy import VerifyProxy

class CrawlProxy(object):

    def __init__(self):
        self.mysql = MysqlClient()
        self.verify = VerifyProxy()

    def get_page(self, url, charset):
        response = requests.get(url)
        response.encoding = charset
        return response.text

    def crawl_ip3366(self, page_num = 3):
        """
        獲取代理 ip3366
        :param page_num:
        :return:
        """
        start_url = 'http://www.ip3366.net/?stype=1&page={}'
        urls = [start_url.format(page) for page in range(1, page_num + 1)]
        for url in urls:
            print('crawl:', url)
            html = self.get_page(url, 'gb2312')
            if html:
                d = PyQuery(html)
                trs = d('.table-bordered tbody tr').items()
                for tr in trs:
                    scheme = tr.find('td:nth-child(4)').text().lower()
                    ip = tr.find('td:nth-child(1)').text()
                    port = tr.find('td:nth-child(2)').text()
                    verify_result = self.verify.verify_proxy(scheme, ip, port)

                    if verify_result["status"] == '1':
                        proxy = {
                            "scheme": scheme,
                            "ip": ip,
                            "port": port,
                            "status": verify_result["status"],
                            "response_time": verify_result["response_time"],
                        }
                        # 存入數據庫
                        self.mysql.add_proxy(proxy)
                        print('代理', ip, '連通測試已通過，已保存 Mysql')
                    else:
                        print('代理', ip, '連通測試未通過')

if __name__ == '__main__':
    CrawlProxy().crawl_ip3366()

小編這里出於示例只演示了從 ip3366 上抓取免費代理，並且在抓取到代理后，調用檢查模塊的檢查方法對當前的代理進行連通性檢查，如果連通性測試未通過則不會寫入數據庫中。

檢查模塊

檢查模塊相對也會簡單一些，功能是從數據庫中取出所有可以用的代理，進行輪詢檢查，看看是不是有代理是連不通的，如果連不通則修改連通性標記位，將此代理標記為不可用。示例代碼如下：

import requests
from MysqlClient import MysqlClient

class VerifyProxy(object):
    def __init__(self):
        self.mysql = MysqlClient()

    def verify_proxy(self, scheme, ip, port):
        """
        使用百度測試代理的連通性，並返回響應時長（單位：ms）
        :param scheme:
        :param ip:
        :param port:
        :return:
        """
        proxies = {
            scheme: scheme + '://' + ip + ':' + port + '/'
        }
        response_time = 0
        status = '0'
        try:
            response = requests.get(scheme + '://www.baidu.com/get', proxies=proxies)
            if response.ok:
                response_time = round(response.elapsed.total_seconds() * 1000)
                status = '1'
            else:
                response_time = 0
                status = '0'
        except:
            pass
        return {"response_time" : response_time, "status" : status}

    def verify_all(self):
        """
        驗證住方法，從數據庫中獲取所有代理進行驗證
        :return:
        """
        results = self.mysql.find_all()
        for result in results:
            res = self.verify_proxy(result[1], result[2], result[3])
            proxy = {
                "id": result[0],
                "scheme": result[1],
                "ip": result[2],
                "port": result[3],
                "status": res["status"],
                "response_time": res["response_time"],
            }
            self.mysql.update_proxy(proxy)
            print('代理驗證成功')

if __name__ == '__main__':
    VerifyProxy().verify_all()

小編這里使用的是度娘進行連通性測試，如果各位同學有特殊的需要，可以使用特定的網站進行連通性測試。

小結

本篇的內容到這里就結束了，不過有一點要說明，本篇的示例內容只能作為 DEMO 來進行測試使用，對於一個連接池來講，還有很多不完善的地方。

例如檢測模塊應該是定時啟動，自行檢測，現在是靠人手動啟動，不過這個可以使用各種系統上的定時任務來解決。

還有，現在要獲取連接信息只能自己打開數據庫從中 Copy ，這里其實還可以加一個 API 模塊，寫成一個接口，供其他有需要使用代理的系統進行調用。

獲取模塊現在小編也只是簡單的有一個網站寫一個方法，其實可以使用 Python 高級用法，獲取到類中所有的方法名，然后調用所需要的方法。

總之，這個 DEMO 非常不完善，等小編下次有空的時候完善下，到時候還可以再來一個推送。

示例代碼

本系列的所有代碼小編都會放在代碼管理倉庫 Github 和 Gitee 上，方便大家取用。

示例代碼-Github

示例代碼-Gitee

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 Python爬蟲代理池小白學 Python 爬蟲（9）：爬蟲基礎 python爬蟲-代理池的維護小白學 Python 爬蟲（20）：Xpath 進階小白學 Python 爬蟲（8）：網頁基礎小白學 Python 爬蟲（7）：HTTP 基礎小白學 Python 爬蟲（10）：Session 和 Cookies 小白學 Python 爬蟲（34）：爬蟲框架 Scrapy 入門基礎（二） Python網絡爬蟲(session與ip代理池) 【python3】如何建立爬蟲代理ip池