爬虫入门到放弃系列05：从程序模块设计到代理IP池

前言

上篇文章吧啦吧啦讲了一些有的没的，现在还是回到主题写点技术相关的。本篇文章作为基础爬虫知识的最后一篇，将以爬虫程序的模块设计来完结。

在我漫(liang)长(nian)的爬虫开发生涯中，我通常将爬虫程序分为四大模块。

如图，除了代理模块是根据所需引入程序，请求、解析、储存模块是必不可少的。

代理模块

代理模块主要是构建代理IP池。在第三篇中讲过为什么需要代理IP，因为很多网站是通过请求频率来识别爬虫，即记录一个IP在一段时间内的请求次数，所以可以通过更换代理IP来提高爬取效率。

概念

什么是代理IP池？

和线程池、连接池的理念一样，预先将多个代理IP放入一个公共区域供多个爬虫使用，每次用完之后再放回。

为什么需要代理池？

正常情况下，我们在程序中是这样添加代理IP的。

proxies = {
    'https': 'https://183.220.xxx.xx:80'
}
response = requests.get(url, proxies=proxies)

这样我们就只能使用一个IP，这时候可能有人就会说：

就算使用集合可以存放多个代理IP，但是如果IP失效需要删除，或者添加新的IP时，还是一样需要终止程序修改代码。我在初学编程的时候，老师就经常说这么一句话：

直到现在，这句话也时常在耳边萦绕。而代理模块就是提供了灵活增删代理IP、验证IP有效性的功能。

实现

目前，一般使用MySQL来存放代理IP。先看一下代理池的表设计。

CREATE TABLE `proxy` (
  `ip` varchar(100) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

我的表结构设计比较简单粗暴，只有一个字段。在开发中可以根据自己的需要来进行细分。

再看一下表里面的数据：

从图中看着，代理IP是由支持的协议 + IP + port组成。

最后，代理池代码奉上：

import requests
import pymysql

class proxyPool:
    # 初始化数据连接
    def __init__(self, host, db, user, password, port):
        self.conn = pymysql.connect(host=host,
                                    database=db,
                                    user=user,
                                    password=password,
                                    port=port,
                                    charset='utf8')
    # 从数据库获取ip
    def get_ip(self):
        cursor = self.conn.cursor()
        cursor.execute('select ip from proxy order by rand() limit 1')
        ip = cursor.fetchone()
        # 如果代理ip表中有数据，则进行判断，没有则返回空
        if ip:
            judge = self.judge_ip(ip[0])
            # 如果ip可用直接将其放回，不可用再重新调用此方法从数据库获取一个IP
            if judge:
                return ip[0]
            else:
                self.get_ip()
        else:
            return ''

    # 判断ip是否可用
    def judge_ip(self, ip):
        http_url = 'https://www.baidu.com'
        try:
            proxy_dict = {
                "http": ip,
            }
            response = requests.get(http_url, proxies=proxy_dict)
        except Exception:
            self.delete_ip(ip)
            return False
        else:
            code = response.status_code
            if code in (200, 299):
                return True
            else:
                self.delete_ip(ip)
                return False

    # 从数据库中删除无效的ip
    def delete_ip(self, ip):
        delete_sql = f"delete from proxy where ip='{ip}'"
        cursor = self.conn.cursor()
        cursor.execute(delete_sql)
        self.conn.commit()

代理池工作流程主要分为两部分：

1. 从数据中获取IP。如果数据库没有可用IP，则表示不使用代理，返回空；如果有IP，则进入下一步
2. 对IP进行有效性验证。如果IP无效，删除IP并重复第一步；如果IP有效，则返回IP

使用

代理池最终的目的还是提供有效代理IP。玩的比较花的可以将代理池与爬虫程序分离，将代理池独立成一个web接口，通过url来获取代理IP，需要使用Flask或者Django来搭建一个web服务。

我一般就是直接放在爬虫程序中。样例代码如下：

pool = proxyPool('47.102.xxx.xxx', 'test', 'root', 'root', 3306)
proxy_ip = pool.get_ip()
url = 'https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'
proxies = {
    'http': proxy_ip
}
if proxy_ip:
    response = requests.get(url, proxies=proxies)
else:
    response = requests.get(url)
print(response.text)

代理IP的来源

这个之前也讲过，代理IP可以付费购买或者从网上使用免费的。因为免费IP存活率低，所以代理池主要是面向于免费IP。

一般都是单独开发一个爬虫程序来爬取免费的IP，并放入到数据库中，然后验证可用性。

请求/解析模块

在前几篇写的爬虫样例中，都是对单个url进行的爬取。而爬虫程序往往都是以网站为单位进行的爬取。归根结底，都是基于请求模块和解析模块来设计实现的。

如果想爬取整个网站，首先必须确定一个网站入口，即爬虫程序第一个访问的url。然后接着对返回的网页进行解析，获取数据或者获取下一层url继续请求。

这里就拿腾讯视频举个栗子，我们来**爬取动漫的信息*。

1. 选择网站入口

分析需求，选取网站入口。此时，需要明确的是：动漫频道url就是网站入口。

我们对网站入口，即动漫频道进行请求后，解析返回的网页内容。我们从页面中可以发现，动漫频道下有国漫、日漫、战斗等分类。

查看网页源码：

如上图，我们可以从动漫首页解析出来各个分类的url。

2.分类请求

在获取到各个分类的url之后，继续发起请求。这里首先对国漫的url进行请求，返回的网页内容如下：

如图，都是国漫分类下的动漫列表。在浏览器中，我们点击哪个动漫就能进入它的播放页，所以在这个页面上我们可以解析到这些国漫的播放页链接。

我们查看此页面的网页源码：

如图，我们可以获取到各个国漫播放页的url。

3.定向到信息页

以第一个国漫斗罗大陆为例，我们获取到它的播放页url，进行请求并返回播放页内容。

我们发现，点击右上角的斗罗大陆就会进入详情页。所以我们需要解析右上角详情页的url进行请求，来获取详情页的网页内容。

4.获取数据

对详情页的网页内容进行解析，得出自己想要的数据，具体代码在第一篇文章的样例中。

从上面的四个步骤来看，爬虫对网站的爬取就是层层递进，逐级访问。我们要找准网站入口，明确想要获取的数据内容，规划好网站入口到获取数据的路径。

当然其中还是有很多可以优化的地方，例如从第二步可以略过第三步，直接请求第四步的详情页。我们比对一下播放页和详情页的url。

# 斗罗大陆的播放页和详情页
https://v.qq.com/x/cover/m441e3rjq9kwpsc.html
https://v.qq.com/detail/m/m441e3rjq9kwpsc.html
# 狐妖小红娘的播放页和详情页
https://v.qq.com/x/cover/0sdnyl7h86atoyt.html
https://v.qq.com/detail/0/0sdnyl7h86atoyt.html

从上面两对url中我们不难看出其中的规律。所以我们在第二步解析出国漫播放页的url之后，经过处理，就可以直接得到详情页的url。

备注：上面对腾讯视频的爬取分析仅做流程参考，实际开发可能涉及异步请求等方面的知识。

存储模块

爬取的数据只有存储下来，爬虫才变得更有意义。

通常爬取数据格式有文本、图片等，这里先看图片如何下载并保存到本地目录。

图片下载

之前我用scrapy内置的ImagesPipeline下载GIF动图的时候，折腾了老半天，下载下来的还不是动图。于是回归原始，终成功，一行代码慰平生。

代码如下：

urllib.request.urlretrieve(imageUrl, filename)

所以，不论以后你用原生爬虫还是scrapy的时候，下载图片就记住一行代码就行了！

找个图片链接测试一下：

右键图片，选择拷贝图像地址。

将图片地址放入程序中，代码如下：

import urllib.request
urllib.request.urlretrieve('http://puui.qpic.cn/vcover_vt_pic/0/m441e3rjq9kwpsc1607693898908/0', './1.jpg')

我将图片下来，保存到当前目录并命名为1.jpg，运行程序。

文本数据

1. 存放于文件中

with open("/path/file.txt", 'a', encoding='utf-8') as f:
  f.write(data + '\n')

1. 使用pymsql模块将数据存放到MySQL的数据表中
   

2. 使用pandas或者xlwt模块将数据存放到excel中

结语

本篇文章主要写了一下自己对爬虫程序模块设计的理解，也是对爬虫基础知识的一个总结和收尾。期待下一次相遇。

写的都是日常工作中的亲身实践，置身自己的角度从0写到1，保证能够真正让大家看懂。

文章会在公众号 [入门到放弃之路] 首发，期待你的关注。