在线欧美一区,www日韩,精品免费视频

使用python asyncio實現了一個異步代理池，根據規則爬取代理網站上的免費代理，在驗證其有效后存入redis中，定期擴展代理的數量并檢驗池中代理的有效性，移除失效的代理。同時用aiohttp實現了一個server，其他的程序可以通過訪問相應的url來從代理池中獲取代理。

源碼

Github

環境

Python 3.5+
Redis
PhantomJS(可選)
Supervisord(可選)

因為代碼中大量使用了asyncio的async和await語法，它們是在Python3.5中才提供的，所以最好使用Python3.5及以上的版本，我使用的是Python3.6。

依賴

redis
aiohttp
bs4
lxml
requests
selenium

selenium包主要是用來操作PhantomJS的。

下面來對代碼進行說明。

1. 爬蟲部分

核心代碼

									async def start(self):

									 for rule in self._rules:

									 parser = asyncio.ensure_future(self._parse_page(rule)) # 根據規則解析頁面來獲取代理

									 logger.debug('{0} crawler started'.format(rule.__rule_name__))

									 if not rule.use_phantomjs:

									  await page_download(ProxyCrawler._url_generator(rule), self._pages, self._stop_flag) # 爬取代理網站的頁面

									 else:

									  await page_download_phantomjs(ProxyCrawler._url_generator(rule), self._pages,

									rule.phantomjs_load_flag, self._stop_flag) # 使用PhantomJS爬取

									 await self._pages.join()

									 parser.cancel()

									 logger.debug('{0} crawler finished'.format(rule.__rule_name__))

上面的核心代碼實際上是一個用asyncio.Queue實現的生產-消費者模型，下面是該模型的一個簡單實現：

									import asyncio

									from random import random

									async def produce(queue, n):

									 for x in range(1, n + 1):

									 print('produce ', x)

									 await asyncio.sleep(random())

									 await queue.put(x) # 向queue中放入item

									async def consume(queue):

									 while 1:

									 item = await queue.get() # 等待從queue中獲取item

									 print('consume ', item)

									 await asyncio.sleep(random())

									 queue.task_done() # 通知queue當前item處理完畢 

									async def run(n):

									 queue = asyncio.Queue()

									 consumer = asyncio.ensure_future(consume(queue))

									 await produce(queue, n) # 等待生產者結束

									 await queue.join() # 阻塞直到queue不為空

									 consumer.cancel() # 取消消費者任務，否則它會一直阻塞在get方法處

									def aio_queue_run(n):

									 loop = asyncio.get_event_loop()

									 try:

									 loop.run_until_complete(run(n)) # 持續運行event loop直到任務run(n)結束

									 finally:

									 loop.close()

									if __name__ == '__main__':

									 aio_queue_run(5)

運行上面的代碼，一種可能的輸出如下：

									produce 1

									produce 2

									consume 1

									produce 3

									produce 4

									consume 2

									produce 5

									consume 3

									consume 4

									consume 5

爬取頁面

									async def page_download(urls, pages, flag):

									 url_generator = urls

									 async with aiohttp.ClientSession() as session:

									 for url in url_generator:

									  if flag.is_set():

									  break

									  await asyncio.sleep(uniform(delay - 0.5, delay + 1))

									  logger.debug('crawling proxy web page {0}'.format(url))

									  try:

									  async with session.get(url, headers=headers, timeout=10) as response:

									   page = await response.text()

									   parsed = html.fromstring(decode_html(page)) # 使用bs4來輔助lxml解碼網頁:http://lxml.de/elementsoup.html#Using only the encoding detection

									   await pages.put(parsed)

									   url_generator.send(parsed) # 根據當前頁面來獲取下一頁的地址

									  except StopIteration:

									  break

									  except asyncio.TimeoutError:

									  logger.error('crawling {0} timeout'.format(url))

									  continue # TODO: use a proxy

									  except Exception as e:

									  logger.error(e)

使用aiohttp實現的網頁爬取函數，大部分代理網站都可以使用上面的方法來爬取，對于使用js動態生成頁面的網站可以使用selenium控制PhantomJS來爬取——本項目對爬蟲的效率要求不高，代理網站的更新頻率是有限的，不需要頻繁的爬取，完全可以使用PhantomJS。

解析代理

最簡單的莫過于用xpath來解析代理了，使用Chrome瀏覽器的話，直接通過右鍵就能獲得選中的頁面元素的xpath：

Python實現的異步代理爬蟲及代理池

安裝Chrome的擴展“XPath Helper”就可以直接在頁面上運行和調試xpath，十分方便：

Python實現的異步代理爬蟲及代理池

BeautifulSoup不支持xpath，使用lxml來解析頁面，代碼如下：

									async def _parse_proxy(self, rule, page):

									 ips = page.xpath(rule.ip_xpath) # 根據xpath解析得到list類型的ip地址集合

									 ports = page.xpath(rule.port_xpath) # 根據xpath解析得到list類型的ip地址集合

									 if not ips or not ports:

									 logger.warning('{2} crawler could not get ip(len={0}) or port(len={1}), please check the xpaths or network'.

									  format(len(ips), len(ports), rule.__rule_name__))

									 return

									 proxies = map(lambda x, y: '{0}:{1}'.format(x.text.strip(), y.text.strip()), ips, ports)

									 if rule.filters: # 根據過濾字段來過濾代理，如“高匿”、“透明”等

									 filters = []

									 for i, ft in enumerate(rule.filters_xpath):

									  field = page.xpath(ft)

									  if not field:

									  logger.warning('{1} crawler could not get {0} field, please check the filter xpath'.

									   format(rule.filters[i], rule.__rule_name__))

									  continue

									  filters.append(map(lambda x: x.text.strip(), field))

									 filters = zip(*filters)

									 selector = map(lambda x: x == rule.filters, filters)

									 proxies = compress(proxies, selector)

									for proxy in proxies:

									await self._proxies.put(proxy) # 解析后的代理放入asyncio.Queue中

爬蟲規則

網站爬取、代理解析、濾等等操作的規則都是由各個代理網站的規則類定義的，使用元類和基類來管理規則類。基類定義如下：

									class CrawlerRuleBase(object, metaclass=CrawlerRuleMeta):

									 start_url = None

									 page_count = 0

									 urls_format = None

									 next_page_xpath = None

									 next_page_host = ''

									 use_phantomjs = False

									 phantomjs_load_flag = None

									 filters = ()

									 ip_xpath = None

									 port_xpath = None

									 filters_xpath = ()

各個參數的含義如下：

start_url(必需)

爬蟲的起始頁面。

ip_xpath(必需)

爬取IP的xpath規則。

port_xpath(必需)

爬取端口號的xpath規則。

page_count

爬取的頁面數量。

urls_format

頁面地址的格式字符串，通過urls_format.format(start_url, n)來生成第n頁的地址，這是比較常見的頁面地址格式。

next_page_xpath，next_page_host

由xpath規則來獲取下一頁的url（常見的是相對路徑），結合host得到下一頁的地址：next_page_host + url。

use_phantomjs, phantomjs_load_flag

use_phantomjs用于標識爬取該網站是否需要使用PhantomJS，若使用，需定義phantomjs_load_flag（網頁上的某個元素，str類型）作為PhantomJS頁面加載完畢的標志。

filters

過濾字段集合，可迭代類型。用于過濾代理。

爬取各個過濾字段的xpath規則，與過濾字段按順序一一對應。

元類CrawlerRuleMeta用于管理規則類的定義，如：如果定義use_phantomjs=True，則必須定義phantomjs_load_flag，否則會拋出異常，不在此贅述。

目前已經實現的規則有西刺代理、快代理、360代理、66代理和秘密代理。新增規則類也很簡單，通過繼承CrawlerRuleBase來定義新的規則類YourRuleClass，放在proxypool/rules目錄下，并在該目錄下的__init__.py中添加from . import YourRuleClass（這樣通過CrawlerRuleBase.__subclasses__()就可以獲取全部的規則類了），重啟正在運行的proxy pool即可應用新的規則。

2. 檢驗部分

免費的代理雖然多，但是可用的卻不多，所以爬取到代理后需要對其進行檢驗，有效的代理才能放入代理池中，而代理也是有時效性的，還要定期對池中的代理進行檢驗，及時移除失效的代理。

這部分就很簡單了，使用aiohttp通過代理來訪問某個網站，若超時，則說明代理無效。

									async def validate(self, proxies):

									 logger.debug('validator started')

									 while 1:

									 proxy = await proxies.get()

									 async with aiohttp.ClientSession() as session:

									  try:

									  real_proxy = 'http://' + proxy

									  async with session.get(self.validate_url, proxy=real_proxy, timeout=validate_timeout) as resp:

									   self._conn.put(proxy)

									  except Exception as e:

									  logger.error(e)

									 proxies.task_done()

3. server部分

使用aiohttp實現了一個web server，啟動后，訪問http://host:port即可顯示主頁：

Python實現的異步代理爬蟲及代理池

訪問http://host:port/get來從代理池獲取1個代理，如：'127.0.0.1:1080'；
訪問http://host:port/get/n來從代理池獲取n個代理，如："['127.0.0.1:1080', '127.0.0.1:443', '127.0.0.1:80']"；
訪問http://host:port/count來獲取代理池的容量，如：'42'。

因為主頁是一個靜態的html頁面，為避免每來一個訪問主頁的請求都要打開、讀取以及關閉該html文件的開銷，將其緩存到了redis中，通過html文件的修改時間來判斷其是否被修改過，如果修改時間與redis緩存的修改時間不同，則認為html文件被修改了，則重新讀取文件，并更新緩存，否則從redis中獲取主頁的內容。

返回代理是通過aiohttp.web.Response(text=ip.decode('utf-8'))實現的，text要求str類型，而從redis中獲取到的是bytes類型，需要進行轉換。返回的多個代理，使用eval即可轉換為list類型。

返回主頁則不同，是通過aiohttp.web.Response(body=main_page_cache, content_type='text/html') ，這里body要求的是bytes類型，直接將從redis獲取的緩存返回即可，conten_type='text/html'必不可少，否則無法通過瀏覽器加載主頁，而是會將主頁下載下來——在運行官方文檔中的示例代碼的時候也要注意這點，那些示例代碼基本上都沒有設置content_type。

這部分不復雜，注意上面提到的幾點，而關于主頁使用的靜態資源文件的路徑，可以參考之前的博客《aiohttp之添加靜態資源路徑》。

4. 運行

將整個代理池的功能分成了3個獨立的部分：

proxypool

定期檢查代理池容量，若低于下限則啟動代理爬蟲并對代理檢驗，通過檢驗的爬蟲放入代理池，達到規定的數量則停止爬蟲。

proxyvalidator

用于定期檢驗代理池中的代理，移除失效代理。

proxyserver

啟動server。

這3個獨立的任務通過3個進程來運行，在Linux下可以使用supervisod來=管理這些進程，下面是supervisord的配置文件示例：

									; supervisord.conf

									[unix_http_server]

									file=/tmp/supervisor.sock 

									[inet_http_server]  

									port=127.0.0.1:9001

									[supervisord]

									logfile=/tmp/supervisord.log 

									logfile_maxbytes=5MB

									logfile_backups=10

									loglevel=debug  

									pidfile=/tmp/supervisord.pid 

									nodaemon=false  

									minfds=1024  

									minprocs=200  

									[rpcinterface:supervisor]

									supervisor.rpcinterface_factory = supervisor.rpcinterface:make_main_rpcinterface

									[supervisorctl]

									serverurl=unix:///tmp/supervisor.sock

									[program:proxyPool]

									command=python /path/to/ProxyPool/run_proxypool.py  

									redirect_stderr=true

									stdout_logfile=NONE

									[program:proxyValidator]

									command=python /path/to/ProxyPool/run_proxyvalidator.py

									redirect_stderr=true  

									stdout_logfile=NONE

									[program:proxyServer]

									command=python /path/to/ProxyPool/run_proxyserver.py

									autostart=false

									redirect_stderr=true  

									stdout_logfile=NONE

因為項目自身已經配置了日志，所以這里就不需要再用supervisord捕獲stdout和stderr了。通過supervisord -c supervisord.conf啟動supervisord，proxyPool和proxyServer則會隨之自動啟動，proxyServer需要手動啟動，訪問http://127.0.0.1:9001即可通過網頁來管理這3個進程了：

Python實現的異步代理爬蟲及代理池