【scrapy】使用方法概要（三）(转)

请初学者作为参考，不建议高手看这个浪费时间】

前两篇大概讲述了scrapy的安装及工作流程。这篇文章主要以一个实例来介绍scrapy的开发流程，本想以教程自带的dirbot作为例子，但感觉大家应该最先都尝试过这个示例，应该都很熟悉，这里不赘述，所以，将用笔者自己第一个较为完整的抓取程序作为示例作为讲解。

首先，要大规模抓取一个网站的内容，必要的资源便是代理ip这一资源，如果不使用代理ip，又追求抓取的速度，很可能会被被抓网站发现行踪并封掉抓取机，所以抓取大量可用的代理ip便是我们第一个任务。
大概这个爬虫要实现以下三个功能：
1. 抓取代理ip，端口信息
2. 验证代理ip，判断其透明性
3. 将可用的代理ip持久化到文件中以供后续抓取程序使用

http://www.cnproxy.com/ 代理服务器网便是一个很好的代理ip的来源，简单看一下，共有12个页面，页面格式相同:
http://www.cnproxy.com/proxy1.html
…
http://www.cnproxy.com/proxy10.html

http://www.cnproxy.com/proxyedu1.html
http://www.cnproxy.com/proxyedu2.html

准备就绪，下面正式开始：
1. 定义item，根据需求，抓取的item最后应该包含如下信息才好用：
#前4个数据为页面可以直接获取的
ip地址
端口
协议类型
地理位置
#后三个数据为pipeline中后期得到的数据，很有用
代理类型
延迟
时间戳
所以定义代码如下：

1 # Define here the models for your scraped items
2 #
3 # See documentation in:
4 # http://doc.scrapy.org/topics/items.html 5
6 from scrapy.item import Item, Field
7
8 class ProxyItem(Item):
9     address   = Field()
10     port      = Field()
11     protocol  = Field()
12     location  = Field()
13
14     type      = Field() # 0: anonymity #1 nonanonymity
15     delay     = Field() # in second
16     timestamp = Field()

2. 定义爬虫
爬虫中做的主要工作就是设置初始化urls，即【种子】，【可不是那种种子~是这种种子~】
然后在默认的parse函数中使用xpath可以轻松的获得所需要的字段，比如
addresses = hxs.select('//tr[position()>1]/td[position()=1]').re('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')
可以获得ip信息的数组
locations = hxs.select('//tr[position()>1]/td[position()=4]').re('<td>(.*)<\/td>')
可以获得地理位置信息的数组

唯一有点麻烦的就是端口信息，网站站长可能想到数据会被抓取的可能，所以端口的输出使用了js输出，这确实增加了抓取的难度，scrapy和一般的爬虫是不具备浏览器的javascript解释器的，也不会执行这些js代码，所以，爬虫拿到的html代码中的端口号好没有被输出出来~
源码是这个样子



所以，一定在html的上部，会有这些‘r’的定义，不难发现



经过几次刷新，发现这些定义并不是动态的，所以就简单些，直接拿到代码中的+r+d+r+d信息，将+号替换为空，将r替换成8，d替换成0即可，所以可以声明下边这样的一个map
port_map = {'z':'3','m':'4','k':'2','l':'9','d':'0','b':'5','i':'7','w':'6','r':'8','c':'1','+':''}
具体的爬虫代码如下

1 from scrapy.contrib.spiders import CrawlSpider, Rule
2 from scrapy.selector import HtmlXPathSelector
3 from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
4 from proxy.items import ProxyItem
5 import re
6
7 class ProxycrawlerSpider(CrawlSpider):
8     name = 'cnproxy'
9     allowed_domains = ['www.cnproxy.com']
10     indexes    = [1,2,3,4,5,6,7,8,9,10]
11     start_urls = []
12     for i in indexes:
13         url = 'http://www.cnproxy.com/proxy%s.html' % i
14         start_urls.append(url)
15     start_urls.append('http://www.cnproxy.com/proxyedu1.html')
16     start_urls.append('http://www.cnproxy.com/proxyedu2.html')
17
18     def parse(self, response):
19         hxs = HtmlXPathSelector(response)
20         addresses = hxs.select('//tr[position()>1]/td[position()=1]').re('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')
21         protocols = hxs.select('//tr[position()>1]/td[position()=2]').re('<td>(.*)<\/td>')
22         locations = hxs.select('//tr[position()>1]/td[position()=4]').re('<td>(.*)<\/td>')
23         ports_re  = re.compile('write\(":"(.*)\)')
24         raw_ports = ports_re.findall(response.body);
25         port_map = {'z':'3','m':'4','k':'2','l':'9','d':'0','b':'5','i':'7','w':'6','r':'8','c':'1','+':''}
26         ports     = []
27         for port in raw_ports:
28             tmp = port
29             for key  in port_map:
30                 tmp = tmp.replace(key, port_map[key]);
31             ports.append(tmp)
32         items = []
33         for i in range(len(addresses)):
34             item = ProxyItem()
35             item['address']  = addresses[i]
36             item['protocol'] = protocols[i]
37             item['location'] = locations[i]
38             item['port']     = ports[i]
39             items.append(item)
40         return items
41 ~

3. 执行pipeline，过滤并检查抓取到的代理ip，并将其持久化到文件中
一般性的校验过程我就不赘述了，直接介绍如果验证代理可用性及透明性的方法。
这需要另一个cgi程序的帮助。简单来说一个代理是否透明，就是在做中转的时候是否会将源ip放到请求包中并能够被被抓取方获取，如果能，就说明这个代理不是透明的，使用的时候就要多留意。
一般非透明代理ip会将源ip放到HTTP_X_FORWARDED_FOR字段中，为了更严谨些，另一个cgi脚本将服务器能获取到的所有跟ip有关的数据echo出来，php代码如下：

1 <?php
2
3     echo "PROXYDETECTATION</br>";
4     echo "REMOTE_ADDR</br>";
5     var_dump($_SERVER['REMOTE_ADDR']);
6     echo "</br>";
7     echo "env_REMOTE_ADDR</br>";
8     var_dump(getenv('REMOTE_ADDR'));
9     echo "</br>";
10     echo "env_HTTP_CLIENT_IP</br>";
11     var_dump(getenv('HTTP_CLIENT_IP'));
12     echo "</br>";
13     echo "HTTP_CLIENT_IP</br>";
14     var_dump($_SERVER['HTTP_CLIENT_IP']);
15     echo "</br>";
16     echo "HTTP_X_FORWARDED_FOR</br>";
17     var_dump($_SERVER['HTTP_X_FORWARDED_FOR']);
18     echo "</br>";
19     echo "HTTP_X_FORWARDED</br>";
20     var_dump($_SERVER['HTTP_X_FORWARDED']);
21     echo "</br>";
22     echo "HTTP_X_CLUSTER_CLIENT_IP</br>";
23     var_dump($_SERVER['HTTP_X_CLUSTER_CLIENT_IP']);
24     echo "</br>";
25     echo "HTTP_FORWARDED_FOR</br>";
26     var_dump($_SERVER['HTTP_FORWARDED_FOR']);
27     echo "</br>";
28     echo "HTTP_FORWARDED</br>";
29     var_dump($_SERVER['HTTP_FORWARDED']);
30     echo "</br>";
31
32 ?>

假设这个服务地址为http://xxx.xxx.xxx.xxx/apps/proxydetect.php
那么pipelines的代码如下

1 # Define your item pipelines here
2 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
3 # See: http://doc.scrapy.org/topics/item-pipeline.html 4 from scrapy.exceptions import DropItem
5 import re
6 import urllib
7 import urllib2
8 import time
9 import exceptions
10 import socket
11 class ProxyPipeline(object):
12     def process_item(self, item, spider):
13         port = item['port']
14         port_re = re.compile('\d{1,5}')
15         ports   = port_re.findall(port)
16         if len(ports) == 0:
17             raise DropItem("can not find port in %s" % item['port'])
18         else:
19             item['port'] = ports[0]
20         #profiling the proxy
21         #detect_service_url = 'http://xxx.xxx.xxx.xxx:pppp/apps/proxydetect.php'
22         detect_service_url = 'http://xxx.xxx.xxx.xxx/apps/proxydetect.php'
23         local_ip           = 'xxx.xxx.xxx.xxx'
24         proxy_  = str('http://%s:%s' % (str(item['address']), str(item['port'])))
25         proxies = {'http':proxy_}
26         begin_time = time.time()
27         timeout = 1
28         socket.setdefaulttimeout(timeout)
29         try:
30             data  = urllib.urlopen(detect_service_url, proxies=proxies).read()
31         except exceptions.IOError:
32             raise DropItem("curl download the proxy %s:%s is bad" % (item['address'],str(item['port'])))
33
34         end_time   = time.time()
35         if '' == data.strip():
36             raise DropItem("data is null the proxy %s:%s is bad" % (item['address'],str(item['port'])))
37         if data.find('PROXYDETECTATION') == -1:
38             raise DropItem("wrong response the proxy %s:%s is bad" % (item['address'],str(item['port'])))
39         if data.find('PROXYDETECTATION') != -1:
40             if data.find(local_ip) == -1:
41                 item['type'] = 'anonymity'
42             else:
43                 item['type'] = 'nonanonymity'
44             item['delay'] = str(end_time - begin_time)
45         item['timestamp'] = time.strftime('%Y-%m-%d',time.localtime(time.time()))
46
47         #record the item info
48         fp   = open('/home/xxx/services_runenv/crawlers/proxy/proxy/data/proxies.txt','a')
49         line = str(item['timestamp']) + '\t' + str(item['address']) + '\t' + str(item['port']) + '\t' + item['type'] + '\t' + str(item['delay']) + '\n'
50         fp.write(line)
51         fp.close()
52         return item

其中local_ip为抓取服务器本机的ip地址
4. 最后一个要说的就是setting.py配置文件，大家看具体代码吧

1 # Scrapy settings for proxy project
2 #
3 # For simplicity, this file contains only the most important settings by
4 # default. All the other settings are documented here:
5 #
6 #     http://doc.scrapy.org/topics/settings.html 7 #
8
9 BOT_NAME = 'proxy'
10 BOT_VERSION = '1.0'
11
12 SPIDER_MODULES = ['proxy.spiders']
13 NEWSPIDER_MODULE = 'proxy.spiders'
14 USER_AGENT = '%s/%s' % (BOT_NAME, BOT_VERSION)
15
16 DOWNLOAD_DELAY = 0
17 DOWNLOAD_TIMEOUT = 30
18
19 ITEM_PIPELINES = [
20     'proxy.pipelines.ProxyPipeline'
21 ]
22 CONCURRENT_ITEMS = 100
23 CONCURRENT_REQUESTS_PER_SPIDER = 64
24 CONCURRENT_SPIDERS = 128
25
26 LOG_ENABLED = True
27 LOG_ENCODING = 'utf-8'
28 LOG_FILE = '/home/xxx/services_runenv/crawlers/proxy/proxy/log/proxy.log'
29 LOG_LEVEL = 'DEBUG'
30 LOG_STDOUT = False

最后秀一下抓取到的代理ip数据




好了，这篇就这些，下一篇将介绍如果使用代理ip作为媒介，放心的去大规模抓取网站数据，晚安。

喜欢一起简单，实用的东西，拒绝复杂花哨，我不是GEEK.