Python搭建代理IP池實(shí)現(xiàn)存儲IP的方法

更新時(shí)間：2019年10月27日 14:53:30 作者：Steven·簡談

這篇文章主要介紹了Python搭建代理IP池實(shí)現(xiàn)存儲IP的方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

上一文寫了如何從代理服務(wù)網(wǎng)站提取 IP，本文就講解如何存儲 IP，畢竟代理池還是要有一定量的 IP 數(shù)量才行。存儲的方式有很多，直接一點(diǎn)的可以放在一個(gè)文本文件中，但操作起來不太靈活，而我選擇的是 MySQL 數(shù)據(jù)庫，因?yàn)閿?shù)據(jù)庫便于管理而且功能強(qiáng)大，當(dāng)然你還可以選擇其他數(shù)據(jù)庫，比如 MongoDB、Redis 等。

代碼地址：https://github.com/Stevengz/Proxy_pool

另外三篇：

Python搭建代理IP池（一）- 獲取 IP
Python搭建代理IP池（三）- 檢測 IP
Python搭建代理IP池（四）- 接口設(shè)置與整體調(diào)度

使用的庫：pymysql

定義規(guī)則

數(shù)據(jù)庫存儲的主要對象是各個(gè) IP，首先需要保證不重復(fù)，另外還需要標(biāo) IP 的可用情況，而且需要?jiǎng)討B(tài)實(shí)時(shí)處理每個(gè) IP，因此還需要定義一個(gè)分?jǐn)?shù)字段，分?jǐn)?shù)是可以重復(fù)的，最好是整數(shù)類型，每個(gè) IP 都有一個(gè)分?jǐn)?shù)，表現(xiàn)其可用性

對于代理池來說，分?jǐn)?shù)可以作為我們判斷一個(gè)代理可用不可用的標(biāo)志，我們將設(shè)置一個(gè)最高分（滿分，值由自己設(shè)置），代表可用，0 設(shè)為最低分，代表不可用。從代理池中獲取代理的時(shí)候會先從滿分 IP 中隨機(jī)獲取一個(gè)，注意這里是隨機(jī)，這樣可以保證每個(gè)可用 IP 都會被調(diào)用到，如果沒有滿分的就從所有 IP 從隨機(jī)選一個(gè)

分?jǐn)?shù)規(guī)則如下：

滿分為可用，檢測器會定時(shí)循環(huán)檢測每個(gè) IP 的可用情況，一旦檢測到有可用的 IP 就立即置為滿分，檢測到不可用就將分?jǐn)?shù)減 1，減至 0 后移除。
新獲取的代理添加時(shí)將分?jǐn)?shù)置為 10，當(dāng)測試可行立即置 100，不可行分?jǐn)?shù)減 1，減至 0 后移除

添加設(shè)置

先在一個(gè)文件中定義一些配置信息，如數(shù)據(jù)庫的設(shè)置、一些不變量如滿分的數(shù)值等

setting.py

# 數(shù)據(jù)庫地址
HOST = '127.0.0.1'
# MySql端口
MYSQL_PORT = 3306
# MySQl用戶名、密碼
MYSQL_USERNAME = '***'
MYSQL_PASSWORD = '***'
# 數(shù)據(jù)庫名
SQL_NAME = 'test'

# 代理等級
MAX_SCORE = 30
MIN_SCORE = 0
INITIAL_SCORE = 10

# 代理池?cái)?shù)量界限
POOL_UPPER_THRESHOLD = 1000

MAX_SCORE、MIN_SCORE、INITIAL_SCORE 分別代表最大分?jǐn)?shù)、最小分?jǐn)?shù)、初始分?jǐn)?shù)

定義方法

定義一個(gè)類來操作數(shù)據(jù)庫的有序集合，內(nèi)含一些方法來實(shí)現(xiàn)分?jǐn)?shù)的設(shè)置、代理的獲取等

db.py

import pymysql
from error import PoolEmptyError
from setting import *
from random import choice
import re


class MySqlClient(object):
 # 初始化
 def __init__(self, host=HOST, port=MYSQL_PORT, username=MYSQL_USERNAME, password=MYSQL_PASSWORD, sqlname=SQL_NAME):
  self.db = pymysql.connect(host=host, user=username, password=password, port=port, db=sqlname)
  self.cursor = self.db.cursor()

 # 添加代理IP
 def add(self, ip, score=INITIAL_SCORE):
  sql_add = "INSERT INTO PROXY (IP,SCORE) VALUES ('%s', %s)" % (ip, score)
  if not re.match('\d+\.\d+\.\d+\.\d+\:\d+', ip):
   print('代理不符合規(guī)范', ip, '丟棄')
   return
  if not self.exists(ip):
   self.cursor.execute(sql_add)
   self.db.commit()

 # 減少代理分?jǐn)?shù)
 def decrease(self, ip):
  sql_get = "SELECT * FROM PROXY WHERE IP='%s'" % (ip)
  self.cursor.execute(sql_get)
  score = self.cursor.fetchone()[1]
  print(score)
  if score and score > MIN_SCORE:
   print('代理', ip, '當(dāng)前分?jǐn)?shù)', score, '減1')
   sql_change = "UPDATE PROXY SET SCORE = %s WHERE IP = '%s'" % (score-1, ip)
  else:
   print('代理', ip, '當(dāng)前分?jǐn)?shù)', score, '移除')
   sql_change = "DELETE FROM PROXY WHERE IP = %s" % (ip)
  self.cursor.execute(sql_change)
  self.db.commit()

 # 分?jǐn)?shù)最大化
 def max(self, ip):
  print('代理', ip, '可用，設(shè)置為', MAX_SCORE)
  sql_max = "UPDATE PROXY SET SCORE = %s WHERE IP = '%s'" % (MAX_SCORE, ip)
  self.cursor.execute(sql_max)
  self.db.commit()
  
 # 隨機(jī)獲取有效代理
 def random(self):
  # 先從滿分中隨機(jī)選一個(gè)
  sql_max = "SELECT * FROM PROXY WHERE SCORE=%s" % (MAX_SCORE)
  if self.cursor.execute(sql_max):
   results = self.cursor.fetchall()
   return choice(results)[0]
  # 沒有滿分則隨機(jī)選一個(gè)
  else:
   sql_all = "SELECT * FROM PROXY WHERE SCORE BETWEEN %s AND %s" % (MIN_SCORE, MAX_SCORE)
   if self.cursor.execute(sql_all):
    results = self.cursor.fetchall()
    return choice(results)[0]
   else:
    raise PoolEmptyError

 # 判斷是否存在
 def exists(self, ip):
  sql_exists = "SELECT 1 FROM PROXY WHERE IP='%s' limit 1" % ip
  return self.cursor.execute(sql_exists)
  
 # 獲取數(shù)量
 def count(self):
  sql_count = "SELECT * FROM PROXY"
  return self.cursor.execute(sql_count)

 # 獲取全部
 def all(self):
  self.count()
  return self.cursor.fetchall()

 # 批量獲取
 def batch(self, start, stop):
  sql_batch = "SELECT * FROM PROXY LIMIT %s, %s" % (start, stop - start)
  self.cursor.execute(sql_batch)
  return self.cursor.fetchall()

方法作用：

init()：初始化的方法，參數(shù)是 MySQL 的連接信息，默認(rèn)的連接信息已經(jīng)定義為常量，在 init() 方法中初始化建立 MySQL 連接。這樣當(dāng) MySqlClient 類初始化的時(shí)候就建立了 MySQL 的連接
add()：向數(shù)據(jù)庫添加代理并設(shè)置分?jǐn)?shù)，默認(rèn)的分?jǐn)?shù)是 INITIAL_SCORE 也就是 10，返回結(jié)果是添加的結(jié)果
decrease()：在檢測無效的時(shí)候設(shè)置分?jǐn)?shù)減 1 的方法，傳入代理，然后將此代理的分?jǐn)?shù)減 1，如果達(dá)到最低值就刪除
max()：將代理的分?jǐn)?shù)設(shè)置為 MAX_SCORE，也就是當(dāng) IP 有效時(shí)的設(shè)置
random()：隨機(jī)獲取 IP 的方法，首先獲取滿分的 IP，然后隨機(jī)選擇一個(gè)返回，如果不存在滿分的 IP，則隨機(jī)選擇一個(gè)返回，否則拋出異常
exists()：判斷 IP 是否存在于數(shù)據(jù)庫中
count()：返回當(dāng)前 IP個(gè)數(shù)
all()：返回所有的 IP，供檢測使用
batch()：返回?cái)?shù)據(jù)庫中從第 start 行開始（從0開始數(shù)）的共 stop-start 行數(shù)據(jù)

抓取保存

當(dāng)數(shù)據(jù)庫設(shè)置好了之后，就可以直接把抓取的 IP 直接放在數(shù)據(jù)庫中了

直接把前面用到的抓取代碼更改一下就行了

getter.py

from crawler import Crawler
from db import MySqlClient
from setting import *
import sys


class Getter():
 def __init__(self):
  self.mysql = MySqlClient()
  self.crawler = Crawler()

 # 判斷數(shù)量是否足夠
 def is_over_threshold(self):
  if self.mysql.count() >= POOL_UPPER_THRESHOLD:
   return True
  else:
   return False
 
 def run(self):
  print('獲取器開始執(zhí)行')
  if not self.is_over_threshold():
   for callback_label in range(self.crawler.__CrawlFuncCount__):
    callback = self.crawler.__CrawlFunc__[callback_label]
    # 獲取代理
    all_ip = self.crawler.get_proxies(callback)
    sys.stdout.flush()
    for ip in all_ip:
     self.mysql.add(ip)


if __name__ == '__main__':
 get = Getter()
 get.run()

結(jié)果：