【python】【scrapy】使用方法概要（三）

【请初学者作为参考，不建议高手看这个浪费时间】

前两篇大概讲述了scrapy的安装及工作流程。这篇文章主要以一个实例来介绍scrapy的开发流程，本想以教程自带的dirbot作为例子，但感觉大家应该最先都尝试过这个示例，应该都很熟悉，这里不赘述，所以，将用笔者自己第一个较为完整的抓取程序作为示例作为讲解。

首先，要大规模抓取一个网站的内容，必要的资源便是代理ip这一资源，如果不使用代理ip，又追求抓取的速度，很可能会被被抓网站发现行踪并封掉抓取机，所以抓取大量可用的代理ip便是我们第一个任务。

大概这个爬虫要实现以下三个功能：

1. 抓取代理ip，端口信息

2. 验证代理ip，判断其透明性

3. 将可用的代理ip持久化到文件中以供后续抓取程序使用

http://www.cnproxy.com/ 代理服务器网便是一个很好的代理ip的来源，简单看一下，共有12个页面，页面格式相同:

http://www.cnproxy.com/proxy1.html

…

http://www.cnproxy.com/proxy10.html

http://www.cnproxy.com/proxyedu1.html

http://www.cnproxy.com/proxyedu2.html

准备就绪，下面正式开始：

1. 定义item，根据需求，抓取的item最后应该包含如下信息才好用：

#前4个数据为页面可以直接获取的

ip地址

端口

协议类型

地理位置

#后三个数据为pipeline中后期得到的数据，很有用

代理类型

延迟

时间戳

所以定义代码如下：

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/topics/items.html

from scrapy.item import Item, Field

class ProxyItem(Item):
    address   = Field()
    port      = Field()
    protocol  = Field()
    location  = Field()

    type      = Field() # 0: anonymity #1 nonanonymity
    delay     = Field() # in second
    timestamp = Field()

2. 定义爬虫

爬虫中做的主要工作就是设置初始化urls，即【种子】，【可不是那种种子~是这种种子~】

然后在默认的parse函数中使用xpath可以轻松的获得所需要的字段，比如

addresses = hxs.select('//tr[position()>1]/td[position()=1]').re('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')

可以获得ip信息的数组

locations = hxs.select('//tr[position()>1]/td[position()=4]').re('<td>(.*)<\/td>')

可以获得地理位置信息的数组

唯一有点麻烦的就是端口信息，网站站长可能想到数据会被抓取的可能，所以端口的输出使用了js输出，这确实增加了抓取的难度，scrapy和一般的爬虫是不具备浏览器的javascript解释器的，也不会执行这些js代码，所以，爬虫拿到的html代码中的端口号好没有被输出出来~

源码是这个样子

所以，一定在html的上部，会有这些‘r’的定义，不难发现

经过几次刷新，发现这些定义并不是动态的，所以就简单些，直接拿到代码中的+r+d+r+d信息，将+号替换为空，将r替换成8，d替换成0即可，所以可以声明下边这样的一个map

port_map = {'z':'3','m':'4','k':'2','l':'9','d':'0','b':'5','i':'7','w':'6','r':'8','c':'1','+':''}

具体的爬虫代码如下

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from proxy.items import ProxyItem
import re

class ProxycrawlerSpider(CrawlSpider):
    name = 'cnproxy'
    allowed_domains = ['www.cnproxy.com']
    indexes    = [1,2,3,4,5,6,7,8,9,10]
    start_urls = []
    for i in indexes:
        url = 'http://www.cnproxy.com/proxy%s.html' % i
        start_urls.append(url)
    start_urls.append('http://www.cnproxy.com/proxyedu1.html')
    start_urls.append('http://www.cnproxy.com/proxyedu2.html')

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        addresses = hxs.select('//tr[position()>1]/td[position()=1]').re('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')
        protocols = hxs.select('//tr[position()>1]/td[position()=2]').re('<td>(.*)<\/td>')
        locations = hxs.select('//tr[position()>1]/td[position()=4]').re('<td>(.*)<\/td>')
        ports_re  = re.compile('write\(":"(.*)\)')
        raw_ports = ports_re.findall(response.body);
        port_map = {'z':'3','m':'4','k':'2','l':'9','d':'0','b':'5','i':'7','w':'6','r':'8','c':'1','+':''}
        ports     = []
        for port in raw_ports:
            tmp = port
            for key  in port_map:
                tmp = tmp.replace(key, port_map[key]);
            ports.append(tmp)
        items = []
        for i in range(len(addresses)):
            item = ProxyItem()
            item['address']  = addresses[i]
            item['protocol'] = protocols[i]
            item['location'] = locations[i]
            item['port']     = ports[i]
            items.append(item)
        return items
~

3. 执行pipeline，过滤并检查抓取到的代理ip，并将其持久化到文件中

一般性的校验过程我就不赘述了，直接介绍如果验证代理可用性及透明性的方法。

这需要另一个cgi程序的帮助。简单来说一个代理是否透明，就是在做中转的时候是否会将源ip放到请求包中并能够被被抓取方获取，如果能，就说明这个代理不是透明的，使用的时候就要多留意。

一般非透明代理ip会将源ip放到HTTP_X_FORWARDED_FOR字段中，为了更严谨些，另一个cgi脚本将服务器能获取到的所有跟ip有关的数据echo出来，php代码如下：

<?php

    echo "PROXYDETECTATION</br>";
    echo "REMOTE_ADDR</br>";
    var_dump($_SERVER['REMOTE_ADDR']);
    echo "</br>";
    echo "env_REMOTE_ADDR</br>";
    var_dump(getenv('REMOTE_ADDR'));
    echo "</br>";
    echo "env_HTTP_CLIENT_IP</br>";
    var_dump(getenv('HTTP_CLIENT_IP'));
    echo "</br>";
    echo "HTTP_CLIENT_IP</br>";
    var_dump($_SERVER['HTTP_CLIENT_IP']);
    echo "</br>";
    echo "HTTP_X_FORWARDED_FOR</br>";
    var_dump($_SERVER['HTTP_X_FORWARDED_FOR']);
    echo "</br>";
    echo "HTTP_X_FORWARDED</br>";
    var_dump($_SERVER['HTTP_X_FORWARDED']);
    echo "</br>";
    echo "HTTP_X_CLUSTER_CLIENT_IP</br>";
    var_dump($_SERVER['HTTP_X_CLUSTER_CLIENT_IP']);
    echo "</br>";
    echo "HTTP_FORWARDED_FOR</br>";
    var_dump($_SERVER['HTTP_FORWARDED_FOR']);
    echo "</br>";
    echo "HTTP_FORWARDED</br>";
    var_dump($_SERVER['HTTP_FORWARDED']);
    echo "</br>";

?>

假设这个服务地址为http://xxx.xxx.xxx.xxx/apps/proxydetect.php

那么pipelines的代码如下

# Define your item pipelines here
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/topics/item-pipeline.html
from scrapy.exceptions import DropItem
import re
import urllib
import urllib2
import time
import exceptions
import socket
class ProxyPipeline(object):
    def process_item(self, item, spider):
        port = item['port']
        port_re = re.compile('\d{1,5}')
        ports   = port_re.findall(port)
        if len(ports) == 0:
            raise DropItem("can not find port in %s" % item['port'])
        else:
            item['port'] = ports[0]
        #profiling the proxy
        #detect_service_url = 'http://xxx.xxx.xxx.xxx:pppp/apps/proxydetect.php'
        detect_service_url = 'http://xxx.xxx.xxx.xxx/apps/proxydetect.php'
        local_ip           = 'xxx.xxx.xxx.xxx'
        proxy_  = str('http://%s:%s' % (str(item['address']), str(item['port'])))
        proxies = {'http':proxy_}
        begin_time = time.time()
        timeout = 1
        socket.setdefaulttimeout(timeout)
        try:
            data  = urllib.urlopen(detect_service_url, proxies=proxies).read()
        except exceptions.IOError:
            raise DropItem("curl download the proxy %s:%s is bad" % (item['address'],str(item['port'])))

        end_time   = time.time()
        if '' == data.strip():
            raise DropItem("data is null the proxy %s:%s is bad" % (item['address'],str(item['port'])))
        if data.find('PROXYDETECTATION') == -1:
            raise DropItem("wrong response the proxy %s:%s is bad" % (item['address'],str(item['port'])))
        if data.find('PROXYDETECTATION') != -1:
            if data.find(local_ip) == -1:
                item['type'] = 'anonymity'
            else:
                item['type'] = 'nonanonymity'
            item['delay'] = str(end_time - begin_time)
        item['timestamp'] = time.strftime('%Y-%m-%d',time.localtime(time.time()))

        #record the item info
        fp   = open('/home/xxx/services_runenv/crawlers/proxy/proxy/data/proxies.txt','a')
        line = str(item['timestamp']) + '\t' + str(item['address']) + '\t' + str(item['port']) + '\t' + item['type'] + '\t' + str(item['delay']) + '\n'
        fp.write(line)
        fp.close()
        return item

其中local_ip为抓取服务器本机的ip地址

4. 最后一个要说的就是setting.py配置文件，大家看具体代码吧

# Scrapy settings for proxy project
#
# For simplicity, this file contains only the most important settings by
# default. All the other settings are documented here:
#
#     http://doc.scrapy.org/topics/settings.html
#

BOT_NAME = 'proxy'
BOT_VERSION = '1.0'

SPIDER_MODULES = ['proxy.spiders']
NEWSPIDER_MODULE = 'proxy.spiders'
USER_AGENT = '%s/%s' % (BOT_NAME, BOT_VERSION)

DOWNLOAD_DELAY = 0
DOWNLOAD_TIMEOUT = 30

ITEM_PIPELINES = [
    'proxy.pipelines.ProxyPipeline'
]
CONCURRENT_ITEMS = 100
CONCURRENT_REQUESTS_PER_SPIDER = 64
CONCURRENT_SPIDERS = 128

LOG_ENABLED = True
LOG_ENCODING = 'utf-8'
LOG_FILE = '/home/xxx/services_runenv/crawlers/proxy/proxy/log/proxy.log'
LOG_LEVEL = 'DEBUG'
LOG_STDOUT = False

最后秀一下抓取到的代理ip数据

好了，这篇就这些，下一篇将介绍如果使用代理ip作为媒介，放心的去大规模抓取网站数据，晚安。