Scrapy框架爬取西刺代理网免费高匿代理的实现代码

Python  /  管理员 发布于 5年前   284

分析

需求:

爬取西刺代理网免费高匿代理，并保存到MySQL数据库中。

这里只爬取前10页中的数据。

思路：

1. 分析网页结构，确定数据提取规则
2. 创建Scrapy项目
3. 编写item，定义数据字段
4. 编写spider，实现数据抓取
5. 编写Pipeline，保存数据到数据库中
6. 配置settings.py文件
7. 运行爬虫项目

代码实现

items.py

import scrapyclass XicidailiItem(scrapy.Item):  # 国家  country=scrapy.Field()  # IP地址  ip=scrapy.Field()  # 端口号  port=scrapy.Field()  # 服务器地址  address=scrapy.Field()  # 是否匿名  anonymous=scrapy.Field()  # 类型  type=scrapy.Field()  # 速度  speed=scrapy.Field()  # 连接时间  connect_time=scrapy.Field()  # 存活时间  alive_time=scrapy.Field()  # 验证时间  verify_time=scrapy.Field()

xicidaili_spider.py

# !/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom myscrapy.items import XicidailiItemclass XicidailiSpider(scrapy.Spider):  name = 'xicidaili'  allowed_domains=['www.xicidaili.com']  # start_urls=['http://www.xicidaili.com/nn/1']  def start_requests(self):    urls=[]    for i in range(1,11):      urls.append('http://www.xicidaili.com/nn/'+str(i))    for url in urls:      yield scrapy.Request(url,callback=self.parse,method='GET')  def parse(self, response):    tr_list=response.xpath('//table[@id="ip_list"]/tr')    for tr in tr_list[1:]: # 过滤掉表头行      item=XicidailiItem()      item['country']=tr.xpath('./td[1]/img/@alt').extract_first()      item['ip']=tr.xpath('./td[2]/text()').extract_first()      item['port']=tr.xpath('./td[3]/text()').extract_first()      item['address']=tr.xpath('./td[4]/a/text()').extract_first()      item['anonymous']=tr.xpath('./td[5]/text()').extract_first()      item['type']=tr.xpath('./td[6]/text()').extract_first()      item['speed']=tr.xpath('./td[7]/div/@title').re(r'\d{1,3}\.\d{0,}')[0]      item['connect_time']=tr.xpath('./td[8]/div/@title').re(r'\d{1,3}\.\d{0,}')[0]      item['alive_time']=tr.xpath('./td[9]/text()').extract_first()      item['verify_time']=tr.xpath('./td[10]/text()').extract_first()      yield item

pipelines.py

class XicidailiPipeline(object):  """  西刺代理爬虫 item Pipeline  create table xicidaili(    id int primary key auto_increment,    country varchar(10) not null,    ip varchar(30) not null,    port varchar(10) not null,    address varchar(30) not null,    anonymous varchar(10) not null,    type varchar(20) not null,    speed varchar(10) not null,    connect_time varchar(20) not null,    alive_time varchar(20) not null,    verify_time varchar(20) not null);  """  def __init__(self):    self.connection = pymysql.connect(host='localhost',         user='root',         password='123456',         db='mydb',         charset='utf8', # 不能用utf-8         cursorclass=pymysql.cursors.DictCursor)  def process_item(self,item,spider):    with self.connection.cursor() as cursor:      sql='insert into xicidaili' \        '(country,ip,port,address,anonymous,type,speed,connect_time,alive_time,verify_time) values' \        '(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s);'      args=(item['country'],item['ip'],item['port'],item['address'],item['anonymous'],item['type'],item['speed'],item['connect_time'],item['alive_time'],item['verify_time'])      spider.logger.info(args)      cursor.execute(sql,args)    self.connection.commit()  def close_spider(self,spider):    self.connection.close()

settings.py

ITEM_PIPELINES = {  'myscrapy.pipelines.XicidailiPipeline': 300,}

结果

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对AIDI的支持。如果你想了解更多相关内容请查看下面相关链接