Verwendung von Python zur Implementierung asynchroner Proxy-Crawler- und Proxy-Pool-Methoden

Dieser Artikel stellt hauptsächlich die relevanten Kenntnisse von Python zur Implementierung von asynchronen Proxy-Crawlern und Proxy-Pools vor. Schauen wir uns das mit dem Editor an >Verwenden Sie Python Asyncio. Implementieren Sie einen asynchronen Proxy-Pool, crawlen Sie kostenlose Proxys auf der Proxy-Website gemäß den Regeln und speichern Sie sie nach Überprüfung ihrer Gültigkeit in

Redis

. Erweitern Sie regelmäßig die Anzahl der Proxys und überprüfen Sie die Gültigkeit der Proxys im Pool und entfernen Sie sie. Gleichzeitig wird ein Server über aiohttp implementiert, und andere Programme können den Proxy aus dem Proxy-Pool erhalten, indem sie auf die entsprechende URL zugreifen.

Quellcode

https://github.com/arrti/proxypool

Umgebung

Python 3.5+
Redis
PhantomJS (optional)
Supervisord (optional)
Da der Code die Async- und Wait-Syntax weitgehend verwendet, sind sie nur in Python 3.5 verfügbar, daher ist es so Am besten verwende ich Python 3.5 und höher. Ich verwende Python 3.6.

Abhängig von

redis
aiohttp
bs4
lxml
Anfragen
Selen
Das Selenium-Paket wird hauptsächlich zum Betrieb von PhantomJS verwendet.

Der Code wird unten erklärt.

1. Crawler-Teil

Kerncode

Der obige Kerncode ist Tatsächlich ist das Obige ein Producer-Consumer-

async def start(self):
 for rule in self._rules:
 parser = asyncio.ensure_future(self._parse_page(rule)) # 根据规则解析页面来获取代理
 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) # 爬取代理网站的页面
 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))

-Modell

, das mit asyncio.Queue implementiert wurde. Das Folgende ist eine einfache Implementierung dieses Modells:

Wenn Sie den obigen Code ausführen, ist eine mögliche Ausgabe wie folgt folgt:

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() # 等待从queue中获取item
 print('consume ', item)
 await asyncio.sleep(random())
 queue.task_done() # 通知queue当前item处理完毕 
async def run(n):
 queue = asyncio.Queue()
 consumer = asyncio.ensure_future(consume(queue))
 await produce(queue, n) # 等待生产者结束
 await queue.join() # 阻塞直到queue不为空
 consumer.cancel() # 取消消费者任务，否则它会一直阻塞在get方法处
def aio_queue_run(n):
 loop = asyncio.get_event_loop()
 try:
 loop.run_until_complete(run(n)) # 持续运行event loop直到任务run(n)结束
 finally:
 loop.close()
if name == 'main':
 aio_queue_run(5)

produce 1
produce 2
consume 1
produce 3
produce 4
consume 2
produce 5
consume 3
consume 4
consume 5

Crawling-Seiten

Web-Crawling mit aiohttp

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来辅助lxml解码网页:http://lxml.de/elementsoup.html#Using only the encoding detection
   await pages.put(parsed)
   url_generator.send(parsed) # 根据当前页面来获取下一页的地址
  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)

Funktion

, groß Einige Proxy-Websites kann mit der oben genannten Methode gecrawlt werden. Für Websites, die js zum dynamischen Generieren von Seiten verwenden, können Sie PhantomJS zum Crawlen verwenden. Dieses Projekt stellt keine hohen Anforderungen an die Effizienz des Crawlers und die Aktualisierungshäufigkeit der Proxy-Website ist begrenzt. Es ist kein häufiges Crawlen erforderlich, PhantomJS kann verwendet werden.

Proxy analysierenDer einfachste Weg ist,

xpath

zum Parsen des Proxys zu verwenden, wenn Sie Chrome verwenden Browser, Sie können den XPath des ausgewählten Seitenelements direkt abrufen, indem Sie mit der rechten Maustaste klicken:

Installieren Sie die Chrome-Erweiterung „XPath Helper“, um es auszuführen Direkt auf der Seite. Das Debuggen von xpath ist sehr praktisch:

BeautifulSoup unterstützt xpath nicht und verwendet lxml, um die Seite zu analysieren:

async def _parse_proxy(self, rule, page):
 ips = page.xpath(rule.ip_xpath) # 根据xpath解析得到list类型的ip地址集合
 ports = page.xpath(rule.port_xpath) # 根据xpath解析得到list类型的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: # 根据过滤字段来过滤代理，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

Crawler-Regeln Die Regeln für Website-Crawling, Proxy-Parsing, Filterung und andere Vorgänge werden durch die Regelklassen jeder Proxy-Website definiert Basisklassen werden zur Verwaltung der Regelklassen verwendet. Die Basisklasse ist wie folgt definiert:

Die Bedeutung jedes Parameters ist wie folgt:

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 = ()

(erforderlich)

start_urlStartseite des Crawlers.

(erforderlich)

ip_xpathxpath-Regeln für das Crawlen von IP.

(erforderlich)

port_xpathXPath-Regeln zum Crawlen von Portnummern.

page_countAnzahl der gecrawlten Seiten.

urls_formatFormat der Seitenadresse

String

, es ist üblicher, die Adresse von Seite n über urls_format.format(start_url, n) Seitenadressformat zu generieren .

,

next_page_xpath

由xpath规则来获取下一页的url（常见的是相对路径），结合host得到下一页的地址：next_page_host + url。

use_phantomjs, phantomjs_load_flag

use_phantomjs用于标识爬取该网站是否需要使用PhantomJS，若使用，需定义phantomjs_load_flag（网页上的某个元素，str类型）作为PhantomJS页面加载完毕的标志。

filters

过滤字段集合，可迭代类型。用于过滤代理。

爬取各个过滤字段的xpath规则，与过滤字段按顺序一一对应。

元类CrawlerRuleMeta用于管理规则类的定义，如：如果定义use_phantomjs=True，则必须定义phantomjs_load_flag，否则会抛出异常，不在此赘述。

目前已经实现的规则有西刺代理、快代理、360代理、66代理和 秘密代理。新增规则类也很简单，通过继承CrawlerRuleBase来定义新的规则类YourRuleClass，放在proxypool/rules目录下，并在该目录下的init.py中添加from . import YourRuleClass（这样通过CrawlerRuleBase.subclasses()就可以获取全部的规则类了），重启正在运行的proxy pool即可应用新的规则。

2. 检验部分

免费的代理虽然多，但是可用的却不多，所以爬取到代理后需要对其进行检验，有效的代理才能放入代理池中，而代理也是有时效性的，还要定期对池中的代理进行检验，及时移除失效的代理。

这部分就很简单了，使用aiohttp通过代理来访问某个网站，若超时，则说明代理无效。

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实现了一个web server，启动后，访问http://host:port即可显示主页：

• 访问http://host:port/get来从代理池获取1个代理，如：'127.0.0.1:1080'；

• 访问http://host:port/get/n来从代理池获取n个代理，如："['127.0.0.1:1080', '127.0.0.1:443', '127.0.0.1:80']"；

• 访问http://host:port/count来获取代理池的容量，如：'42'。

因为主页是一个静态的html页面，为避免每来一个访问主页的请求都要打开、读取以及关闭该html文件的开销，将其缓存到了redis中，通过html文件的修改时间来判断其是否被修改过，如果修改时间与redis缓存的修改时间不同，则认为html文件被修改了，则重新读取文件，并更新缓存，否则从redis中获取主页的内容。

返回代理是通过aiohttp.web.Response(text=ip.decode('utf-8'))实现的，text要求str类型，而从redis中获取到的是bytes类型，需要进行转换。返回的多个代理，使用eval即可转换为list类型。

返回主页则不同，是通过aiohttp.web.Response(body=main_page_cache, content_type='text/html') ，这里body要求的是bytes类型，直接将从redis获取的缓存返回即可，conten_type='text/html'必不可少，否则无法通过浏览器加载主页，而是会将主页下载下来——在运行官方文档中的示例代码的时候也要注意这点，那些示例代码基本上都没有设置content_type。

这部分不复杂，注意上面提到的几点，而关于主页使用的静态资源文件的路径，可以参考之前的博客《aiohttp之添加静态资源路径》。

4. 运行

将整个代理池的功能分成了3个独立的部分：

proxypool

定期检查代理池容量，若低于下限则启动代理爬虫并对代理检验，通过检验的爬虫放入代理池，达到规定的数量则停止爬虫。

proxyvalidator

用于定期检验代理池中的代理，移除失效代理。

proxyserver

启动server。

这3个独立的任务通过3个进程来运行，在Linux下可以使用supervisod来=管理这些进程，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

因为项目自身已经配置了日志，所以这里就不需要再用supervisord捕获stdout和stderr了。通过supervisord -c supervisord.conf启动supervisord，proxyPool和proxyServer则会随之自动启动，proxyServer需要手动启动，访问http://127.0.0.1:9001即可通过网页来管理这3个进程了：

Die offizielle Dokumentation von Supervisord besagt, dass Python3 derzeit (Version 3.3.1) nicht unterstützt wird, aber ich habe bei der Verwendung keine Probleme festgestellt. Dies kann auch daran liegen, dass ich es nicht verwendet habe Behandeln Sie die komplexen Funktionen von supervisord einfach als ein einfaches Prozess-Status--Überwachungs- und Start-Stopp-Tool.

Das obige ist der detaillierte Inhalt vonVerwendung von Python zur Implementierung asynchroner Proxy-Crawler- und Proxy-Pool-Methoden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!