Scrapy爬取美女图片第三集 代理ip(下)

　　这是我的公众号获取原创保护的首篇文章，原创的肯定将支持我继续前行。现在写这篇文章的时间是晚上11:30，写完就回寝室休息了，希望更多的朋友与我一起同行(当然需要一个善良的妹子的救济)。（我的新书《Python爬虫开发与项目实战》出版了，大家可以看一下样章）

好了，废话不多说，咱们进入今天的主题。上一篇咱们讲解了代理ip上篇，本篇咱们继续讲解代理ip。这一篇是上一篇的扩展和优化，主要的改动是使用scrapy来进行爬取代理ip，同时演示在scrapy框架中怎么使用mongodb数据库，最后使用多线程批量验证代理ip的合理性，大大加快了速度。

　　这次我选择的依然是http://www.xicidaili.com/nn/，我之后打算做一个大的代理ip池，方便之后做分布式爬虫。

　　使用firebug审查元素，查看如何解析html，上一篇我已经讲过了，所以就不详细说了，大家不明白的可以看看代理ip上篇。

下面咱们可以写代码了，由于咱们使用的是scrapy框架进行爬取，所以首先先生成scrapy工程，在cmd中 输入scrapy startproject proxySpider_scrapy，然后使用pycharm打开。

工程结构如下:

　　db包中db_helper:实现的是mongodb的增删改查。和代理ip上篇增加了proxyId字段。

　　detect包中 detect_proxy:验证代理ip的可用性的线程

　　detect_manager: 用来管理验证线程，监控线程状态

　　spiders包中 proxySpider:主要实现爬虫的逻辑和html解析

　　items:主要是描述了ip和port

　　pipelines:里面主要是将爬取到的ip和port存储到数据库中

　　main:主要是完成参数的判断和爬虫的启动(咱们使用脚本来启动爬虫不使用命令行)

还要说一下检测：我是用 http://ip.chinaz.com/getip.aspx作为检测网址，只要使用代理访问不超时，而且响应码为200，咱们就认为是成功的代理。

　　接下来运行程序看看效果:

　　在windows下切换到工程目录，运行python main.py -h，会看到我定义的使用说明和参数设置。和上一篇基本上完全一样。

　　接着运行python main.py -c 1 5  (意思是爬取1-5页的ip地址)：

　　这时候如果想验证ip的正确性:运行python main.py -t db

　　使用多线程验证的速度非常快，我设置了个线程。两分钟不到，就验证结束。124个ip是可以使用的。

　　看一下mongodb数据库：

　　大家注意到那个proxyId字段了吗？这个在我们进行多线程分段验证的时候是很有用的。详细的使用，请看代码。

当咱们下一篇讲解突破反爬虫的时候就可以使用这些ip了。

　下面把解析和验证的代码贴一下:

proxySpider.py:
#coding:utf-8
import scrapy
from proxySpider_scrapy.db.db_helper import DB_Helper
from proxySpider_scrapy.detect.detect_proxy import Detect_Proxy
from proxySpider_scrapy.detect.detect_manager import Detect_Manager
from proxySpider_scrapy.items import ProxyItem
 
'''
这个类的作用是将代理数据进行爬取
'''
class ProxySpider(scrapy.Spider):
    name = 'proxy'
    start_urls = ["http://www.xicidaili.com/nn/"]
    allowed_domains = []
    db_helper = DB_Helper()
    detecter = Detect_Manager(5)
    Page_Start = 1
    Page_End = 4
    headers = {
         'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
        'Accept-Language': 'en',
        'Referer':'http://www.xicidaili.com/'
    }
 
    def parse(self, response):
        '''
        解析出其中的ip和端口
        :param response:
        :return:
        '''
        trs = response.xpath('//tr[@class="odd" or @class=""]')
        for tr in trs:
            item = ProxyItem()
            tds = tr.xpath('./td/text()').extract()
            for td in tds:
                content = td.strip()
                if len(content)>0:
                    if content.isdigit():
                        item['port'] = content
                        print 'ip:',item['ip']
                        print 'port:',item['port']
                        break
                    if content.find('.')!= -1:
                        item['ip'] = content
 
            yield item
        if self.Page_Start < self.Page_End:
            new_url = self.start_urls[0]+str(self.Page_Start)
            self.Page_Start += 1
            yield scrapy.Request(new_url,headers=self.headers,callback=self.parse)

　　

pipelines.py:
# -*- coding: utf-8 -*-
 
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
 
from proxySpider_scrapy.spiders.proxySpider import ProxySpider
 
class ProxyPipeline(object):
    proxyId = 1 #设置一个ID号，方便多线程验证
    def process_item(self, item, spider):
        '''
 
        :param item:
        :param spider:
        :return:
        '''
        if spider.name == 'proxy':#需要判断是哪个爬虫
 
            proxySpider = ProxySpider(spider)
            proxy = {'ip':item['ip'],'port':item['port']}
            proxy_all = {'ip':item['ip'],'port':item['port'],'proxyId':self.proxyId}
            if proxySpider.db_helper.insert(proxy,proxy_all) == True:#插入数据
                 self.proxyId += 1
            return item
 
        else:
            return item

　　

detect_manager.py:
#coding:utf-8
from threading import Thread
import time
 
from proxySpider_scrapy.db.db_helper import DB_Helper
from proxySpider_scrapy.detect.detect_proxy import Detect_Proxy
 
'''
定义一个管理线程,来管理产生的线程
'''
class Detect_Manager(Thread):
 
    def __init__(self,threadSum):
        Thread.__init__(self)
        sqldb = DB_Helper()#将序号重新恢复
        sqldb.updateID()
        self.pool =[]
        for i in range(threadSum):
            self.pool.append(Detect_Proxy(DB_Helper(),i+1,threadSum))
 
    def run(self):
        self.startManager()
        self.checkState()
 
    def startManager(self):
        for thread in self.pool:
            thread.start()
 
    def checkState(self):
        '''
        这个函数是用来检测线程的状态
        :return:
        '''
        now = 0
        while now < len(self.pool):
            for thread in self.pool:
                if thread.isAlive():
                    now = 0
                    break
                else:
                    now+=1
            time.sleep(0.1)
        goodNum=0
        badNum =0
        for i in self.pool:
 
            goodNum += i.goodNum
            badNum += i.badNum
        sqldb = DB_Helper()#将序号重新恢复
        sqldb.updateID()
        print 'proxy good Num ---',goodNum
        print 'proxy bad Num ---',badNum

　　

detect_proxy.py:
#coding:utf-8
import socket
from threading import Thread
 
import urllib
 
'''
这个类主要是用来检测代理的可用性
'''
class Detect_Proxy(Thread):
 
    url = 'http://ip.chinaz.com/getip.aspx'
    def __init__(self,db_helper,part,sum):
        Thread.__init__(self)
        self.db_helper = db_helper
        self.part = part#检测的分区
        self.sum = sum#检索的总区域
 
        self.counts = self.db_helper.proxys.count()
        socket.setdefaulttimeout(2)
        self.__goodNum = 0
        self.__badNum = 0
 
    @property
    def goodNum(self):
        return self.__goodNum
 
    @goodNum.setter
    def goodNum(self,value):
        self.__goodNum = value
 
    @property
    def badNum(self):
        return self.__badNum
 
    @badNum.setter
    def badNum(self,value):
        self.__badNum = value
 
    def run(self):
 
        self.detect()#开始检测
 
    def detect(self):
        '''
        http://ip.chinaz.com/getip.aspx  作为检测目标
        :return:
        '''
 
        if self.counts < self.sum:
            return
 
        pre = self.counts/self.sum
        start = pre * (self.part-1)
        end = pre * self.part
        if self.part == self.sum:#如果是最后一部分，结束就是末尾
            end = self.counts
        # print 'pre-%d-start-%d-end-%d'%(pre,start,end)
 
        proxys = self.db_helper.proxys.find({'proxyId':{'$gt':start,'$lte':end}})#大于start小于等于end,很重要
 
        for proxy in proxys:
 
            ip = proxy['ip']
            port = proxy['port']
            try:
                proxy_host ="http://ha:ha@"+ip+':'+port #随便添加了账户名和密码，只是为了防止填写账户名密码暂停的情况
                response = urllib.urlopen(self.url,proxies={"http":proxy_host})
                if response.getcode()!=200:
                    self.db_helper.delete({'ip':ip,'port':port})
                    self.__badNum += 1
                    print proxy_host,'bad proxy'
                else:
                    self.__goodNum += 1
                    print proxy_host,'success proxy'
 
            except Exception,e:
                print proxy_host,'bad proxy'
                self.db_helper.delete({'ip':ip,'port':port})
                self.__badNum += 1
                continue

　　

完整的代码我已经上传到github上:
https://github.com/qiyeboy/proxySpider_scrapy
 

今天的分享就到这里，已经晚上12:15了，如果大家觉得还可以呀，请继续支持我。提前透露一下，下一篇会讲解突破反爬虫。

欢迎大家支持我公众号:

本文章属于原创作品,欢迎大家转载分享。尊重原创,转载请注明来自:七夜的故事 http://www.cnblogs.com/qiyeboy/