代理池的维护

• 初始数据

  # Redis数据库地址
  REDIS_HOST = '127.0.0.1'
  
  # Redis端口
  REDIS_PORT = 6379
  
  # Redis密码，如无填None
  REDIS_PASSWORD = None
  
  REDIS_KEY = 'proxies'
  
  # 代理分数，最高为100分，最低我0分。初始分数为10分
  MAX_SCORE = 100
  MIN_SCORE = 0
  INITIAL_SCORE = 10
  
  # 有效的状态码
  VALID_STATUS_CODES = [200, 302]
  
  # 代理池数量界限
  POOL_UPPER_THRESHOLD = 50000
  
  # 检查周期
  TESTER_CYCLE = 20
  # 获取周期
  GETTER_CYCLE = 300
  
  # 测试API，建议抓哪个网站测哪个，这里用百度网来测试API
  TEST_URL = 'http://www.baidu.com'
  
  # API配置，API地址、端口
  API_HOST = '0.0.0.0'
  API_PORT = 5555
  
  # 开关
  TESTER_ENABLED = True
  GETTER_ENABLED = True
  API_ENABLED = True
  
  # 最大批测试量
  BATCH_TEST_SIZE = 10

• 异常问题

  class PoolEmptyError(Exception):
  
      def __init__(self):
          # Exception类，是所有非退出异常的公共基类。
          Exception.__init__(self)
  
      def __str__(self):
          # repr函数，返回对象的规范字符串表示形式。
          return repr('代理池已经枯竭')

• 存储模块

  import redis
  from proxypool.error import PoolEmptyError
  from proxypool.setting import REDIS_HOST, REDIS_PORT, REDIS_PASSWORD, REDIS_KEY
  from proxypool.setting import MAX_SCORE, MIN_SCORE, INITIAL_SCORE
  from random import choice
  import re
  
  
  class RedisClient(object):
      def __init__(self, host=REDIS_HOST, port=REDIS_PORT, password=REDIS_PASSWORD):
          """
          初始化
          :param host: Redis 地址
          :param port: Redis 端口
          :param password: Redis密码
          """
          # 创建链接数据库对象
          self.db = redis.StrictRedis(host=host, port=port, password=password, decode_responses=True)
      
      def add(self, proxy, score=INITIAL_SCORE):
          """
          添加代理，设置分数为最高
          :param proxy: 代理
          :param score: 分数
          :return: 添加结果
          """
          # zscore() 方法，返回 "REDIS_KEY" 中元素为 "proxy" 的分数。
          # zadd() 方法，将任意数量的元素名称、分数对设置为键 "REDIS_KEY"。
          if not re.match('d+.d+.d+.d+:d+', proxy):
              print('代理不符合规范', proxy, '丢弃')
              return
          if not self.db.zscore(REDIS_KEY, proxy):
              return self.db.zadd(REDIS_KEY, score, proxy)
      
      def random(self):
          """
          从数据库中随机获取有效代理，首先尝试获取最高分数代理，如果不存在，按照排名获取，否则异常
          :return: 随机代理
          """
          # zrangebyscore() 方法，返回排序集 "REDIS_KEY" 中带分数的值，其中分数范围为 MAX_SCORE ～ MAX_SCORE ，即返回 100 分的代理
          # 代理的有效程度以分数来区分，分数高，说明代理越稳定。
          # 首先查找 100 分的代理，如果没有，则在 0 ～ 100 之间查找最高分的代理，
          # 如果还没有，则调用 proxypool.error.PoolEmptyError 抛出异常
          result = self.db.zrangebyscore(REDIS_KEY, MAX_SCORE, MAX_SCORE)
          if len(result):
              return choice(result)
          else:
              result = self.db.zrevrange(REDIS_KEY, 0, 100)
              if len(result):
                  return choice(result)
              else:
                  raise PoolEmptyError
      
      def decrease(self, proxy):
          """
          代理值减一分，小于最小值则删除
          :param proxy: 代理
          :return: 修改后的代理分数
          """
          # zscore() 方法，返回 "REDIS_KEY" 中元素为 "proxy" 的分数。
          # zincrby() 方法，按 “-1” 增加排序集 "REDIS_KEY" 中 "proxy" 的分数
          # zrem() 方法，从排序集 "REDIS_KEY" 中删除成员 "proxy"
          score = self.db.zscore(REDIS_KEY, proxy)
          if score and score > MIN_SCORE:
              print('代理', proxy, '当前分数', score, '减1')
              return self.db.zincrby(REDIS_KEY, proxy, -1)
          else:
              print('代理', proxy, '当前分数', score, '移除')
              return self.db.zrem(REDIS_KEY, proxy)
      
      def exists(self, proxy):
          """
          判断是否存在
          :param proxy: 代理
          :return: 是否存在
          """
          # zscore() 方法，返回 "REDIS_KEY" 中元素为 "proxy" 的分数。
          return not self.db.zscore(REDIS_KEY, proxy) == None
      
      def max(self, proxy):
          """
          将代理设置为MAX_SCORE
          :param proxy: 代理
          :return: 设置结果
          """
          print('代理', proxy, '可用，设置为', MAX_SCORE)
          # zadd() 方法，将任意数量的元素名称、分数对设置为键 "REDIS_KEY"。
          return self.db.zadd(REDIS_KEY, MAX_SCORE, proxy)
      
      def count(self):
          """
          获取数量
          :return: 数量
          """
          # zcard() 方法，返回排序集 "REDIS_KEY" 中的元素个数
          return self.db.zcard(REDIS_KEY)
      
      def all(self):
          """
          获取全部代理
          :return: 全部代理列表
          """
          # zrangebyscore()方法，获取 MIN_SCORE ～ MAX_SCORE 的代理，即所有代理
          return self.db.zrangebyscore(REDIS_KEY, MIN_SCORE, MAX_SCORE)
      
      def batch(self, start, stop):
          """
          批量获取
          :param start: 开始索引
          :param stop: 结束索引
          :return: 代理列表
          """
          # zrangebyscore()方法，获取 start ～ (stop - 1) 的代理
          return self.db.zrevrange(REDIS_KEY, start, stop - 1)
  
  
  if __name__ == '__main__':
      conn = RedisClient()
      result = conn.batch(680, 688)
      print(result)

• 爬虫抓取代理

  import requests
  from requests.exceptions import ConnectionError
  
  base_headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36',
      'Accept-Encoding': 'gzip, deflate, sdch',
      'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'
  }
  
  
  def get_page(url, options={}):
      """
      抓取代理
      :param url:
      :param options:
      :return:
      """
      headers = dict(base_headers, **options)
      print('正在抓取', url)
      try:
          response = requests.get(url, headers=headers)
          print('抓取成功', url, response.status_code)
          if response.status_code == 200:
              return response.text
      except ConnectionError:
          print('抓取失败', url)
          return None

• 获取模块

　　　　----获取代理的每个方法统一定义为以 crawl 开头

import json
import re
from .utils import get_page
from pyquery import PyQuery as pq


class ProxyMetaclass(type):
    """
    定义一个类 ProxyMetaclass，Crawl类将设置为元类，元类中实现了 __new__()方法，这个方法有固定几个参数，
    第四个参数 attrs 包含了类的一些属性，通过遍历 attrs 这个参数即可获取类的所有方法信息，就同遍历字典一样，
    键名对应方法的名，接着判断方法的开关是否 crawl，是则将其加入到 __CrawlFunc__属性中。
    这样就将所有以 crawl 开头的方法定义成一个属性，动态获取到所有以 crawl 开头的方法列表。
    """
    def __new__(cls, name, bases, attrs):
        """
        __new__() 方法与 __init__() 方法类似，
        __new__ 负责对象的创建
        而 __init__ 负责对象的初始化。
        """
        count = 0
        attrs['__CrawlFunc__'] = []
        for k, v in attrs.items():
            if 'crawl_' in k:
                attrs['__CrawlFunc__'].append(k)
                count = count + 1
        attrs['__CrawlFuncCount__'] = count
        return type.__new__(cls, name, bases, attrs)


class Crawler(object, metaclass=ProxyMetaclass):
    def get_proxies(self, callback):
        """
        将所有以 crawl 开头的方法都调用一遍
        :param callback:要被回调的方法
        :return: 每个方法返回的代理并组合成列表
        """
        proxies = []
        for proxy in eval("self.{}()".format(callback)):
            print('成功获取到代理', proxy)
            proxies.append(proxy)
        return proxies

    def crawl_daili66(self, page_count=4):
        """
        获取代理 "66ip"
        :param page_count: 页码
        :return: 代理
        """
        start_url = 'http://www.66ip.cn/{}.html'
        urls = [start_url.format(page) for page in range(1, page_count + 1)]
        for url in urls:
            print('Crawling', url)
            html = get_page(url)        # 爬取网页源代码
            if html:
                doc = pq(html)          # 对网页源代码进行解析
                # 选取 "class=containerbox" 的节点里的 table 节点，再选择其中的带有以 "0" 开头的 gt 属性值的每个 <tr> 元素。
                trs = doc('.containerbox table tr:gt(0)').items()
                for tr in trs:
                    # 选择属于其父元素的第 1 个子元素的每个 <td> 元素。
                    ip = tr.find('td:nth-child(1)').text()
                    # 选择属于其父元素的第 2 个子元素的每个 <td> 元素。
                    port = tr.find('td:nth-child(2)').text()
                    yield ':'.join([ip, port])

    def crawl_ip3366(self):
        """
        获取代理 "ip3366"
        :return:代理的迭代器
        """
        for page in range(1, 4):
            start_url = 'http://www.ip3366.net/free/?stype=1&page={}'.format(page)
            html = get_page(start_url)              # 获取网页源代码
            ip_address = re.compile('<tr>s*<td>(.*?)</td>s*<td>(.*?)</td>')       # 正则表达式对象
            # s * 匹配空格，起到换行作用
            re_ip_address = ip_address.findall(html)
            for address, port in re_ip_address:
                result = address+':' + port
                yield result.replace(' ', '')       # 把 result 中的空格去掉
    
    def crawl_kuaidaili(self):
        """
        获取代理 "快代理"
        :return:代理的迭代器
        """
        for i in range(1, 4):
            start_url = 'http://www.kuaidaili.com/free/inha/{}/'.format(i)
            html = get_page(start_url)              # 获取网页源代码
            if html:
                ip_address = re.compile('<td data-title="IP">(.*?)</td>') 
                re_ip_address = ip_address.findall(html)                        # 代理地址
                port = re.compile('<td data-title="PORT">(.*?)</td>')
                re_port = port.findall(html)                                    # 代理端口
                for address, port in zip(re_ip_address, re_port):
                    # zip()将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表
                    address_port = address+':'+port
                    yield address_port.replace(' ', '')

    def crawl_xicidaili(self):
        """
        获取代理 "西刺代理"
        :return:代理的迭代器
        """
        for i in range(1, 3):
            start_url = 'http://www.xicidaili.com/nn/{}'.format(i)
            headers = {
                'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
                'Cookie': '_free_proxy_session=BAh7B0kiD3Nlc3Npb25faWQGOgZFVEkiJWRjYzc5MmM1MTBiMDMzYTUzNTZjNzA4NjBhNWRjZjliBjsAVEkiEF9jc3JmX3Rva2VuBjsARkkiMUp6S2tXT3g5a0FCT01ndzlmWWZqRVJNek1WanRuUDBCbTJUN21GMTBKd3M9BjsARg%3D%3D--2a69429cb2115c6a0cc9a86e0ebe2800c0d471b3',
                'Host': 'www.xicidaili.com',
                'Referer': 'http://www.xicidaili.com/nn/3',
                'Upgrade-Insecure-Requests': '1',
            }
            html = get_page(start_url, options=headers)              # 获取网页源代码
            if html:
                find_trs = re.compile('<tr class.*?>(.*?)</tr>', re.S)
                trs = find_trs.findall(html)
                for tr in trs:
                    find_ip = re.compile('<td>(d+.d+.d+.d+)</td>') 
                    re_ip_address = find_ip.findall(tr)                        # 代理地址
                    find_port = re.compile('<td>(d+)</td>')
                    re_port = find_port.findall(tr)                            # 代理端口
                    for address,port in zip(re_ip_address, re_port):
                        address_port = address+':'+port
                        yield address_port.replace(' ', '')

    def crawl_iphai(self):
        """
        获取代理 "IP海"
        :return:代理的迭代器
        """
        start_url = 'http://www.iphai.com/'
        html = get_page(start_url)              # 获取网页源代码
        if html:
            find_tr = re.compile('<tr>(.*?)</tr>', re.S)
            trs = find_tr.findall(html)                             # 选择网页源代码中有代理信息的部分源码
            for s in range(1, len(trs)):
                find_ip = re.compile('<td>s+(d+.d+.d+.d+)s+</td>', re.S)
                re_ip_address = find_ip.findall(trs[s])                             # 代理地址
                find_port = re.compile('<td>s+(d+)s+</td>', re.S)
                re_port = find_port.findall(trs[s])                                 # 代理端口
                for address, port in zip(re_ip_address, re_port):
                    # zip()将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表
                    address_port = address+':'+port
                    yield address_port.replace(' ', '')

    def crawl_data5u(self):
        """
        获取代理 "无忧代理"
        :return:代理的迭代器
        """
        start_url = 'http://www.data5u.com'
        headers = {
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            'Accept-Encoding': 'gzip, deflate',
            'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7',
            'Cache-Control': 'max-age=0',
            'Connection': 'keep-alive',
            'Cookie': 'JSESSIONID=47AA0C887112A2D83EE040405F837A86',
            'Host': 'www.data5u.com',
            'Referer': 'http://www.data5u.com/free/index.shtml',
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36',
        }
        html = get_page(start_url, options=headers)                 # 获取网页源代码
        if html:
            ip_address = re.compile('<span><li>(d+.d+.d+.d+)</li>.*?<li class="port.*?>(d+)</li>', re.S)
            re_ip_address = ip_address.findall(html)            # 返回 (代理地址, 代理端口) 组成的列表
            for address, port in re_ip_address:
                result = address + ':' + port
                yield result.replace(' ', '')

• 代理存储

  from proxypool.tester import Tester
  from proxypool.db import RedisClient
  from proxypool.crawler import Crawler
  from proxypool.setting import *
  import sys
  
  
  class Getter():
      def __init__(self):
          self.redis = RedisClient()
          self.crawler = Crawler()
  
      def is_over_threshold(self):
          """
          判断是否达到了代理池限制
          """
          if self.redis.count() >= POOL_UPPER_THRESHOLD:
              return True
          else:
              return False
  
      def run(self):
          print('获取器开始执行')
          if not self.is_over_threshold():
              # 遍历定义的 Crawler 类中的几个 craw 开头的网页代理爬虫，运行着几个爬虫
              for callback_label in range(self.crawler.__CrawlFuncCount__):
                  callback = self.crawler.__CrawlFunc__[callback_label]
  
                  # 获取代理
                  proxies = self.crawler.get_proxies(callback)
  
                  sys.stdout.flush()
                  for proxy in proxies:
                      # 将代理逐个加入到数据库中
                      self.redis.add(proxy)

• 检测模块

  import asyncio
  import aiohttp
  import time
  import sys
  try:
      from aiohttp import ClientError
  except:
      from aiohttp import ClientProxyConnectionError as ProxyConnectionError
  from proxypool.db import RedisClient
  from proxypool.setting import *
  
  
  class Tester(object):
      def __init__(self):
          self.redis = RedisClient()
      
      async def test_single_proxy(self, proxy):
          """
          测试单个代理
          :param proxy:
          :return:
          """
          conn = aiohttp.TCPConnector(verify_ssl=False)
          async with aiohttp.ClientSession(connector=conn) as session:
              try:
                  if isinstance(proxy, bytes):
                      proxy = proxy.decode('utf-8')
                  real_proxy = 'http://' + proxy
                  print('正在测试', proxy)
                  # 测试所选的代理，如果响应状态码在 [200, 302] 里面，说明代理可用，否则代理分数减 1
                  async with session.get(TEST_URL, proxy=real_proxy, timeout=15, allow_redirects=False) as response:
                      if response.status in VALID_STATUS_CODES:
                          self.redis.max(proxy)
                          print('代理可用', proxy)
                      else:
                          self.redis.decrease(proxy)
                          print('请求响应码不合法 ', response.status, 'IP', proxy)
              except (ClientError, aiohttp.client_exceptions.ClientConnectorError, asyncio.TimeoutError, AttributeError):
                  self.redis.decrease(proxy)
                  print('代理请求失败', proxy)
      
      def run(self):
          """
          测试主函数
          :return:
          """
          print('测试器开始运行')
          try:
              # 数据库中代理个数
              count = self.redis.count()
              print('当前剩余', count, '个代理')
  
              # 遍历所有代理，间隔为 BATCH_TEST_SIZE = 10
              for i in range(0, count, BATCH_TEST_SIZE):
  
                  # 开始测试的代理，停止测试的代理
                  start = i
                  stop = min(i + BATCH_TEST_SIZE, count)
                  print('正在测试第', start + 1, '-', stop, '个代理')
  
                  # 通过 redis.batch() 方法，批量获取代理（10个代理）
                  test_proxies = self.redis.batch(start, stop)
  
                  # asyncio.get_event_loop() 方法，返回异步事件循环。
                  loop = asyncio.get_event_loop()
  
                  # 通过异步处理，测试10个代理， run_until_complete() 方法：运行事件循环，直到完成。
                  # asyncio.wait(tasks) ， 等待 "tasks" 提供的未来和协同工作完成
                  tasks = [self.test_single_proxy(proxy) for proxy in test_proxies]
                  loop.run_until_complete(asyncio.wait(tasks))
  
                  # sys.stdout.flush() ， 1、 flush() 刷新缓存区。 2、缓冲区满时，自动刷新。 3、文件关闭或者是程序结束自动刷新。
                  sys.stdout.flush()
                  time.sleep(5)
          except Exception as e:
              print('测试器发生错误', e.args)

• 接口模块

  from flask import Flask, g
  
  from .db import RedisClient
  
  __all__ = ['app']
  
  # __name__ 参数，让flask知道什么是属于自己的应用程序。
  app = Flask(__name__)
  
  
  # 获取连接
  def get_conn():
      # hasattr() 返回对象是否具有具有给定名称的属性。
      if not hasattr(g, 'redis'):
          g.redis = RedisClient()
      return g.redis
  
  
  # http://localhost:port
  # http://127.0.0.0:5555
  @app.route('/')
  def index():
      # 返回副标题 "Welcome to Proxy Pool System"
      return '<h2>Welcome to Proxy Pool System</h2>'
  
  
  # http://localhost:port/random
  # http://127.0.0.0:5555/random
  @app.route('/random')
  def get_proxy():
      """
      Get a proxy
      :return: 随机代理
      """
      conn = get_conn()
      return conn.random()
  
  
  # http://localhost:port/count
  # http://127.0.0.0:5555/count
  @app.route('/count')
  def get_counts():
      """
      Get the count of proxies
      :return: 代理池总量
      """
      conn = get_conn()
      return str(conn.count())
  
  
  if __name__ == '__main__':
      app.run()

• 调度模块

  import time
  
  # 多处理程序
  from multiprocessing import Process
  
  from proxypool.api import app
  from proxypool.getter import Getter
  from proxypool.tester import Tester
  from proxypool.db import RedisClient
  from proxypool.setting import *
  
  
  class Scheduler():
      def schedule_tester(self, cycle=TESTER_CYCLE):
          """
          定时测试代理
          cycle = TESTER_CYCLE = 20:检查周期
          """
          tester = Tester()
          while True:
              print('测试器开始运行')
              tester.run()
              time.sleep(cycle)
      
      def schedule_getter(self, cycle=GETTER_CYCLE):
          """
          定时获取代理
          cycle = GETTER_CYCLE = 300:获取周期
          """
          getter = Getter()
          while True:
              print('开始抓取代理')
              getter.run()
              time.sleep(cycle)
      
      def schedule_api(self):
          """
          开启API
          """
          app.run(API_HOST, API_PORT)
      
      def run(self):
          print('代理池开始运行')
          '''
          开关
          TESTER_ENABLED = True:测试开关
          GETTER_ENABLED = True:获取开关
          API_ENABLED = True:API开关
          '''
          if TESTER_ENABLED:
              tester_process = Process(target=self.schedule_tester)
              tester_process.start()
          
          if GETTER_ENABLED:
              getter_process = Process(target=self.schedule_getter)
              getter_process.start()
          
          if API_ENABLED:
              api_process = Process(target=self.schedule_api)
              api_process.start()

• 运行

  from proxypool.scheduler import Scheduler
  import sys
  import io
  
  # 文本 IO 包装:打包流
  # sys.stdout.buffer ，标准输出的缓冲区
  # 将 sys.stdout.buffer（标准输出的缓冲区 ）中的内容打包
  sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
  
  
  def main():
      try:
          s = Scheduler()
          s.run()
      except:
          main()
  
  
  if __name__ == '__main__':
      main()

• 获取代理----有了上面的代码，可以通过 'http://127.0.0.1:5555/random' 随机从数据库中获取我们爬取到的可用代理

  import requests
  
  PROXY_POOL_URL = 'http://127.0.0.1:5555/random'
  
  
  def get_proxy():
      try:
          response = requests.get(PROXY_POOL_URL)
          if response.status_code == 200:
              return response.text
      except ConnectionError:
          return None
  
  
  proxy = get_proxy()
  proxies = {
      'http': 'http://' + proxy,
      'https': 'https://' + proxy,
  }
  try:
      response = requests.get('http://httpbin.org/get', proxies=proxies)
      print(response.text)
  except requests.exceptions.ConnectionError as e:
      print('Error', e.args)

• 代码：
  
  链接:https://pan.baidu.com/s/1d4rNtBNNwP4XWYyaVZ8IRA  密码:6vj7