Python爬虫之爬取西刺免费IP并保存到MySQL

　　最近在学习scrapy爬虫框架，刚开始爬取简单网页的图片(妹子图)保存到本地，之后这已经满足不了我了，后来开始爬取大型网站，也会用selenium模拟浏览器操作，以及获取ajax网页数据，在爬取过程中，我发现偶尔会出现一些302错误以及操作频繁的反爬虫策略。所以该文就是来爬取大量免费IP来伪装，从而达到反反爬虫的目的。

 

首先建立爬虫文件get_ips.py

导入网络框架requests

import requests

新建爬虫函数爬取西刺免费ip网站http://www.xicidaili.com/nn

def crawl_ips():
　　 headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.11; rv:55.0) Gecko/20100101 Firefox/55.0'
}
    response = requests.get('http://www.xicidaili.com/nn', headers=headers)
   

导入scrapy的选择器Selector对目标网站HTML进行解析

from scrapy.selector import Selector

在爬取函数中解析每一个ip数据

selector = Selector(text=response.text)
td_nodes = selector.xpath('//tr[@class]')

网站部分数据如下：

将每一个数据的ip地址、端口号、服务器地址、协议类型、速度、存活时间这些数据保存下来

网页部分源码如下

原生数据爬取如下：

        for td_node in td_nodes:
            td = td_node.xpath('td')
            ip = td[1].xpath('text()').extract_first()
            port = td[2].xpath('text()').extract_first()
            addr = td[3].xpath('a/text()').extract_first()
            proxy_type = td[5].xpath('text()').extract_first()
            speed_str = td[6].xpath('div/@title').extract_first()
            exist_time_str = td[8].xpath('text()').extract_first()

之后对原生数据中的speed_str、exist_time_str进行处理，得到Float类型的时间数据

处理函数如下

def split_str(s, time_des):
    return float(s.split(time_des)[0])


def get_second(s):
    second = 0.0
    if s.endswith('秒'):
        second = float(s.split('秒')[0])
    return second

def get_hour(s):
    hour = 0.0

    if s.endswith('分钟'):
        hour = split_str(s, '分钟') / 60
    elif s.endswith('小时'):
        hour = split_str(s, '小时')
    elif s.endswith('天'):
        hour = split_str(s, '天') * 24
    return hour

调用函数处理原生数据：

            speed = get_second(speed_str)
            exist_time = get_hour(exist_time_str)

 

通过调试，以上代码可以爬取该网站的第一页所有ip地址数据，远远达不到我们的需求，而该网站一共有2000多页高匿ip地址数据，每一页URL格式如下：http://www.xicidaili.com/nn/%d

所以我设置了一个爬取的最大页数，当然也可以通过解析下一页中的url获取该网站所有数据，但是我们并不需要这么多的数据，所以我只是设置了一个爬取页数的常数

修改如下：

PAGE_COUNT = 100
def crawl_ips():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.11; rv:55.0) Gecko/20100101 Firefox/55.0'
    }
    for page in range(PAGE_COUNT):
        response = requests.get('http://www.xicidaili.com/nn/%d' % (page+1), headers=headers)
        selector = Selector(text=response.text)
        td_nodes = selector.xpath('//tr[@class]')
        for td_node in td_nodes:
            td = td_node.xpath('td')
            ip = td[1].xpath('text()').extract_first()
            port = td[2].xpath('text()').extract_first()
            addr = td[3].xpath('a/text()').extract_first()
            proxy_type = td[5].xpath('text()').extract_first()
            speed_str = td[6].xpath('div/@title').extract_first()
            exist_time_str = td[8].xpath('text()').extract_first()
            speed = get_second(speed_str)
            exist_time = get_hour(exist_time_str)

接下来将获取到的数据保存到MySQL，由于之前没有接触过MySQL，所以也算是碰到不少灰才算顺利保存数据。

打开我们的神器Navicat Premium(据说官网买好几千刀，当然在国内这个大环境下自然很容易不攻自‘破’)。

创建表xici_ips:

新手的话特别要注意几个坑：

　　首先是主键id，一定设置默认值(0或1)，其次是勾上自增长选项

　　其次是数据字符集，这是个很大的坑。在Python这种执行插入语句时，会抛出错误mysql err 1366，这是字符集不支持中文编码的问题。在我们的数据addr中包含中文，所以在不知情的情况下插入该数据会引发错误，导致无法插入任何数据。解决方法是：在列addr配置中，选择字符集为utf8，如下：

配置完毕后，开始在项目中加入MySQL

这里我们选择的是pymysql模块，理由是MySQLdb模块目前还未支持Python3，只能支持Python2，如果强行执行终端命令pip install MySQLdb会报错，后来百度后可用pymysql代替MySQLdb模块，用法几乎一样。

pymysql模块的安装这里不作解释

在项目中导入pymysql

import pymysql

连接MySQL数据库并创建cursor

mysql_connect = pymysql.connect(
    host='localhost',
    port=3306,
    user='root',
    password='keqipu',
    database='lagou_db',
    charset='utf8',
    use_unicode=True
)
cursor = mysql_connect.cursor()

在爬取到所有数据的语句下执行插入语句

            insert_sql = """insert into xici_ips(ip, port, addr, proxy_type, speed, exist_time) 
                            values(%s, %s, %s, %s, %s, %s)"""
            cursor.execute(insert_sql, (ip, port, addr, proxy_type, speed, exist_time))
            mysql_connect.commit()

运行后发现数据成功保存到MySQL数据库

speed单位是s，exist_time单位是h，表示存活时间，这两列用于查询数据时作为重要判断依据

在调试过程中，我发现在删除所有数据后继续执行程序，主键还是在原来的基础上自增长，所以需要将主键重置。

打开mac终端

mysql -u root -p

输入密码便可进入MySQL命令行

进入相应数据库

use lagou_db

将主键重置

ALTER TABLE xici_ips AUTO_INCREMENT= 1;

大功告成！

完整代码如下:

import requests
import pymysql
from scrapy.selector import Selector

PAGE_COUNT = 1
mysql_connect = pymysql.connect(
    host='localhost',
    port=3306,
    user='root',
    password='keqipu',
    database='lagou_db',
    charset='utf8',
    use_unicode=True
)
cursor = mysql_connect.cursor()

def crawl_ips():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.11; rv:55.0) Gecko/20100101 Firefox/55.0'
    }
    for page in range(PAGE_COUNT):
        response = requests.get('http://www.xicidaili.com/nn/%d' % (page+1), headers=headers)
        selector = Selector(text=response.text)
        td_nodes = selector.xpath('//tr[@class]')
        for td_node in td_nodes:
            td = td_node.xpath('td')
            ip = td[1].xpath('text()').extract_first()
            port = td[2].xpath('text()').extract_first()
            addr = td[3].xpath('a/text()').extract_first()
            proxy_type = td[5].xpath('text()').extract_first()
            speed_str = td[6].xpath('div/@title').extract_first()
            exist_time_str = td[8].xpath('text()').extract_first()
            speed = get_second(speed_str)
            exist_time = get_hour(exist_time_str)
            insert_sql = """insert into xici_ips(ip, port, addr, proxy_type, speed, exist_time) 
                            values(%s, %s, %s, %s, %s, %s)"""
            cursor.execute(insert_sql, (ip, port, addr, proxy_type, speed, exist_time))
            mysql_connect.commit()


def split_str(s, time_des):
    return float(s.split(time_des)[0])


def get_second(s):
    second = 0.0
    if s.endswith('秒'):
        second = float(s.split('秒')[0])
    return second

def get_hour(s):
    hour = 0.0

    if s.endswith('分钟'):
        hour = split_str(s, '分钟') / 60
    elif s.endswith('小时'):
        hour = split_str(s, '小时')
    elif s.endswith('天'):
        hour = split_str(s, '天') * 24
    return hour


if __name__ == '__main__':
    crawl_ips()