Python 实战计划学习笔记:自动设置代理爬取58同城商品信息

案例目的:爬取58同城宠物狗信息
难点 - 自动代理:爬取58信息前,自动设置 http://www.xicidaili.com/nn 代理网站公布的免费代理。如果代理不可用,自动更换代理设置。

成果:

Paste_Image.png

源代码:

import bs4
import requests
import requests.exceptions
import time
import re

heads = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36",
}

def get_detail(url):
    soup = get_soup_from_url(url,True)

    title = soup.find("div", class_="mainTitle_content").h1.get_text()
    price = soup.find("span",class_="price c_f50").get_text()
    age = soup.find("span",class_="nianling").get_text().strip()
    breed = soup.find("div",class_="su_tit",text=re.compile(r"品\s*种")).next_sibling.next_sibling.span.get_text().strip()
    contactor = soup.find("span",class_="lianxiren").a.get_text()

    print(price,age,breed,contactor,title)
    time.sleep(1)

def get_list(url):

    def atag_exclude_adds(tag):
        return tag.name == "a" and tag.has_attr("class") and "t" in tag["class"] and "xct" not in tag.parent["class"]

    soup = get_soup_from_url(url,True)
    detail_urls = [i.get("href") for i in soup.find_all(atag_exclude_adds)]

    # print("detail_urls ready")
    for i in detail_urls:
        get_detail(i)
        # print(i)

def get_soup_from_url(url,auto_proxy = False):
    if auto_proxy:
        # proxy = my_proxy.get_current_proxy()
        proxy = my_proxy.get_current_proxy()
    else:
        proxy = {}

    while True:
        # if proxy: print("Trying Proxy:%s" % proxy["http"])
        try:
            respond = requests.get(url,headers=heads,proxies = proxy,timeout=8)
        except (requests.exceptions.ProxyError, requests.exceptions.ConnectionError, requests.exceptions.ReadTimeout) as e:
            print("Proxy %s isn't working well..." % proxy["http"])
            proxy = my_proxy.get_next_proxy()
        else:
            if respond.status_code!= 200:
                print("respond status code problem: %s" % respond.status_code)
                proxy = my_proxy.get_next_proxy()
                continue
            break

    soup = bs4.BeautifulSoup(respond.text,'lxml')
    return soup

class MyProxy(object):
    def __init__(self):
        self.proxy_list = []
        self.refresh_ip_list()
        self.__next__()

    def refresh_ip_list(self):
        print("Refreshing MyProxy IP List...")
        soup = get_soup_from_url("http://www.xicidaili.com/nn/")

        #正则寻找IP地址
        re_ip = re.compile(
            r"(?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))\.){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))")
        ip_tag = soup.find_all("td", text=re_ip)  # get_text()

        #获得IP端口
        ports = soup.select("tr > td:nth-of-type(3)")

        #获取Proxy速度
        speed_work = [i.get("class")[1] for i in soup.select("tr > td:nth-of-type(7) > div > div")]

        #获取Proxy连接速度
        speed_connect = [i.get("class")[1] for i in soup.select("tr > td:nth-of-type(8) > div > div")]

        #合并所有数据至ip_data : {"ip":XX.XX.XX.XX,"speed_work":"fast","speed_connect":"medium"}
        ip_data = []
        for ip, workspeed, connectspeed,port in zip(ip_tag, speed_work, speed_connect,ports):
            data = {
                "ip": "{ip}:{port}".format(ip = ip.get_text(),port = port.get_text()),
                "speed_work": workspeed,
                "speed_connect": connectspeed
            }
            ip_data.append(data)

        #筛选出速度快的Proxy
        ip_data_filtered = list(filter(lambda i: i["speed_work"] == "fast" and i["speed_connect"] == "fast", ip_data))
        self.proxy_list = [i["ip"] for i in ip_data_filtered]
        self.proxy_list = iter(self.proxy_list)

    def __iter__(self):
        return self

    def __next__(self):
        print("Switching IP Address...")
        try:
            self.currentIP = next(self.proxy_list)
            print("New Proxy: %s" % (self.currentIP))
            return self.currentIP
        except StopIteration as e:
            self.refresh_ip_list()
            return self.__next__()

    def get_current_proxy(self):
        return {"http": self.currentIP}

    def get_next_proxy(self):
        return {"http": self.__next__()}

my_proxy = MyProxy()

dog_lists = ["http://sh.58.com/dog/pn{}".format(i) for i in range(5)]
for list_url in dog_lists:
    print("Scrawling %s" % (list_url))
    get_list(list_url)

总结:

  • soup.find_all()可以使用方法作为参数,实现完全自定义。
  • MyProxy 为迭代器,无穷迭代,当proxy服务器列表用完时,刷新网页获得新列表
  • soup 中tag的next_sibling通常是空行。所以表面上相邻的tag,需要写成tag.next_sibling.next_sibling来访问
  • requests.get()可以设置timeout参数作为等待秒数。 同时需要抓取requests.exceptions.ReadTimeout
  • ip 地址的正则表达式非常复杂,直接搬运网上的:r"(?:(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d))).){3}(?:25[0-5]|2[0-4]\d|((1\d{2})|([1-9]?\d)))")
  • 代理服务器网址必须带有端口,否则无法工作
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,911评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 82,014评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 142,129评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,283评论 1 264
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,159评论 4 357
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,161评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,565评论 3 382
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,251评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,531评论 1 292
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,619评论 2 310
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,383评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,255评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,624评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,916评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,199评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,553评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,756评论 2 335

推荐阅读更多精彩内容