Python爬虫-代理池-爬取代理入库并测试代理可用性

目的：建立自己的代理池。可以添加新的代理网站爬虫，可以测试代理对某一网址的适用性，可以提供获取代理的 API。

整个流程：爬取代理 ----> 将代理存入数据库并设置分数 ----> 从数据库取出代理并检测 ----> 根据响应结果对代理分数进行处理 ----> 从 API 取出高分代理 ----> 用高分代理爬取目标网站 

分析：

1、爬虫类的编写：负责抓取代理并返回。

• 因为不同的代理网站的网页结构不同，所以需要单独为每一个代理网页写爬虫。
• 调用每个爬取方法，依次返回结果。　　

2、数据库类的编写：负责代理的存取与代理分数的设置。

• 判断待存入代理是否存在，不存在便存入数据库。
• 将代理存入数据库，首次入库的代理分数设置为100。
• 代理测试失败时，代理分数做相应的扣除，分数低于指定值时从数据库中移除。代理测试成功时，将代理分数重新设置为100。
• 需要使用代理时，从数据库中随机取出高分代理。

3、保存类的编写：负责执行爬取，并将结果存入数据库。

• 判断数据库是否已经达到满足值，根据返回值决定是否执行爬取。
• 将爬取得到的结果存入数据库

4、测试代理类的编写：负责测试代理对目标网站的可用性。

• 用每一个代理爬取目标网站，根据响应状态码对代理分数进行设置。

5、提取代理 API 的编写：负责提供获取代理信息的接口。

具体实现：

1、Crawler：

2、RedisClient：

3、Saver：

4、Tester：

5、API：

总结：这里我只爬取了两个代理网站的代理，西刺和快代理，可以在 Crawler 类中添加名称以 crwal_ 开始的方法来扩充。详细代码我放到 Github上了，https://github.com/ysl125963/proxy-pool

Python爬虫-代理池-爬取代理入库并测试代理可用性

原文：https://www.cnblogs.com/yangshaolun/p/10932846.html